ndice

Prlogo

CAPITULO I INTRODUCCIN A LA LGICA DIFUSA

1.1 Introduccin
1.2 Orgenes de los Sistemas Difusos
1.3 Beneficios de los Sistemas Basados en Lgica Difusa
1.4 El Sistema de Referencia
1.5 Mecanismo de Inferencia
1.6 Variable Lingstica
1.7 Interpretacin de Niveles de Operacin
1.8 Funciones de Membresa

CAPITULO II TEORA DIFUSA

2.1 Introduccin a la Teora Difusa
2.2 Conjuntos Difusos
2.2.1 Definiciones Bsicas y Terminologa
2.3 Caracterizacin por Funciones de Membresa
2.3.1 Tipos de Funciones de Membresa
2.4 Operaciones Aritmticas con Nmeros
2.5 Descripcin de las Variables Lingsticas
2.6 Reglas Difusas Si-Entonces (IF-THEN)
2.7 Proposiciones Difusas
2.7.1 Razonamiento Difuso

CAPITULO III DESCRIPCIN DE LOS SISTEMAS DE CONTROL

3.1 Introduccin a los Sistemas de Control
3.2 Propiedades Bsicas de un Sistema de Control
3.3 Sistemas de Control en Lazo Abierto
3.4 Sistemas de Control en Lazo Cerrado (Realimentados)
3.4.1 Realimentacin y sus Efectos
3.4.2 Tipos de Sistemas de Control Realimentado
3.5 Representacin Matemtica de los Sistemas de Control
3.5.1 Respuesta al Impulso
3.5.2 Funcin de Transferencia
3.5.3 Funcin de Transferencia Propia e Impropia
3.6 Ecuacin Caracterstica
3.6.1 Polos de una Funcin
3.6.2 Ceros de una Funcin
3.7 Control con Lgica Difusa
3.8 Controladores Difusos
3.9 Diseo de un Sistema Difuso (Conocimiento Experto)

CAPITULO IV PRINCIPIOS DE ESTABILIDAD

4.1 Introduccin a la Estabilidad
4.2 Criterio de Nyquist
4.3 Criterio de Routh-Hurwitz
4.3.1 Desarrollo del Criterio de Routh-Hurwitz
4.3.2 Tabulacin de Routh
4.4 Estabilidad de Liapunov
4.4.1 Mtodo Directo de Liapunov

CAPITULO V ANLISIS DE ESTABILIDAD DE UN SISTEMA DIFUSO

LINEAL
5.1 Introduccin al Desarrollo
5.2 Desarrollo del Mtodo de Kharitonov
5.2.1 Descomposicin del Polinomio en Par e Impar
5.2.2 Coeficientes e Intervalos
5.2.3 Construccin de los Polinomios de Kharitonov
5.2.4 Aplicacin del Criterio de Routh-Hurwitz
5.3 Anlisis de Estabilidad para Sistemas de Control Difuso
CAPITULO VI FILTRADO DIGITAL DIFUSO
6.1 Introduccin
6.2 Qu es un Filtro Digital?
6.3 Qu es un Filtro Digital Adaptivo?
6.4 Filtro Difuso
6.5 Funcin de Membresa
6.6 Arquitectura del Filtro Digital Difuso
6.7 Elementos de Filtrado Difuso
6.8 Reglas Base e Inferencia

CAPITULO VII PROPIEDADES DE TIEMPO REAL PARA EL FILTRADO

DIFUSO
7.1 Principios de Tiempo Real para el Filtrado Difuso
7.2 Clasificacin Temporal
7.3 Propiedades de un Filtro Digital Difuso en Tiempo Real

CAPITULO VIII SIMULACIN DEL FILTRADO DIFUSO EN TIEMPO REAL

8.1 Caractersticas de la Simulacin
8.2 Descripcin del Sistema de Referencia
8.3 Estimacin de Parmetros
8.4 Identificacin de Estados
8.5 Funcional de Error

Bibliografa
 Prlogo

La lgica difusa es una herramienta til en las aplicaciones tecnolgicas que se emplean
en la actualidad, est teniendo un gran auge en un amplia gama de sistemas, en donde se
requiere de mecanismos con inteligencia que tengan la capacidad de interpretar su medio
cambiante por medio de sensores que permitan obtener la informacin necesaria de su
entorno tomando en cuenta ciertas variables y criterios para poder seleccionar una
accin respectiva de acuerdo a los niveles en que el sistema se encuentra trabajando; De
esta manera el sistema con un mecanismo difuso integrado podr ofrecer respuestas y
acciones que estn de acuerdo a los cambios que pueda tener su entorno y a los que
pueda tener cualquier otro sistema que este interactuando con l, actualizando en cada
instante de tiempo sus respuestas como lo hace un sistema de inteligencia artificial.

Los sistemas basados en lgica difusa tienen gran importancia a nivel internacional en
todos los campos del conocimiento, ya que son sistemas flexibles que pueden
implantarse relativamente con sencillez y efectividad en casi cualquier sistema actual.
Los sistemas difusos estn siendo desarrollados en reas que estn incursionando en los
nuevos sistemas tecnolgicos como la inteligencia artificial, redes neuronales artificiales
y sistemas evolutivos, es por esto que es necesario conocer estos nuevos sistemas, que
sern la base para las tecnologas del futuro, en donde se tendr que tomar decisiones
ms precisas y rpidas de acuerdo a la inmensa cantidad de informacin que se tendr
que procesar, analizar, descartar y optimizar en los nuevos sistemas que tendrn
inteligencia propia para poder decidir de acuerdo a los cambios en su entorno.

El contenido de esta obra ha sido fruto de cuatro aos de trabajo de investigacin sobre
los sistemas difusos en las reas de control, inteligencia artificial, filtro digitales. Los
autores forman parte de un grupo de investigacin mexicano que cuenta con
publicaciones a nivel internacional, en el desarrollo de proyectos dirigidos a innovar
sistemas tecnolgicos en mltiples aplicaciones, como pueden ser: en medicina,
industriales, sistemas de navegacin, espaciales, comunicaciones, cmputo, etc., y en
tecnologas que en un futuro prximo tendrn gran impacto como la computacin
cuntica.

El motivo de difundir estos conocimientos y resultados a la comunidad ha sido el de

poder transmitir estos nuevos conceptos y desarrollos a los estudiantes de ingeniera y a
toda aquella persona que tenga la disposicin e inquietud de aprender y desarrollarse en
las bases y propiedades de los sistemas de lgica difusa as como de su implantacin en
los sistemas de control y filtrado digital con caractersticas de tiempo real, que sern
empleados en los ms novedosos sistemas tecnolgicos del futuro. Esperando que esta
obra pueda servirle al lector de utilidad para comprender esta nueva teora de lgica
difusa y algunas aplicaciones que puede tener en la vida cotidiana.
A continuacin se da una descripcin breve de los captulos:

En el captulo I, se hace una descripcin general de los conceptos, componentes y

definiciones utilizados en los sistemas basados en lgica difusa, as como de las
caractersticas de funcionamiento, dando una breve presentacin de los antecedentes y
orgenes de estos sistemas.

En el captulo II, se realiza el desarrollo de los fundamentos de la teora de la lgica

difusa, describiendo los conjuntos difusos, definiciones y terminologa que la describen,
sus operaciones y fundamentos, as como las bases de los elementos que la componen.

En el captulo III, se da una introduccin a los sistemas de control, haciendo un anlisis

descriptivo de sus propiedades y tipos de sistemas de control, dando un breve repaso a
estos sistemas para llegar a lo que son los sistemas de control difuso.

En el captulo IV, se describen los principios de estabilidad de la teora de control, los

cuales sern de utilidad para realizar un anlisis de estabilidad en un sistema difuso y dar
las bases para el diseo de este tipo de sistemas con propiedades de estabilidad.

En el captulo V, se desarrolla el planteamiento y procedimiento para describir la

estabilidad de un sistema difuso empleando los conceptos tericos descritos en el
captulo IV, proponiendo un esquema del anlisis de la estabilidad en estos sistemas.

En el captulo VI, se da una introduccin a los sistemas de filtrado digital, describiendo

las propiedades de un Filtro Digital Difuso, considerando los conceptos de lgica difusa
y filtrado adaptivo, se desarrollan las caractersticas principales de este tipo de filtros
como la base de conocimiento que expresada de manera lingstica y que forma la
regin de operacin del filtro de acuerdo al sistema real con el que interactu sin perder
sus propiedades de estabilidad.

En el captulo VII, describe los conceptos bsicos de un sistema en tiempo real, dando
las propiedades de tiempo real que caracterizan a un filtro difuso, de esta forma se
complementa al mecanismo de un filtro difuso descrito en el captulo VI, teniendo una
descripcin detallada de sus principios de operacin y ofrecer respuestas en niveles y
con caractersticas de tiempo real.

En el captulo VIII, se desarrolla la parte prctica del libro, en donde se hace una
simulacin de un filtro difuso con propiedades en tiempo real, empleando el software de
simulacin Matlab y el filtro de Kalman como algoritmo de identificacin implantando
el mecanismo difuso y las propiedades de tiempo real en su arquitectura, se presentan las
grficas de sus respuestas y funcionamiento interno que ejemplifican a este filtro.
CAPITULO I. INTRODUCCIN A LA
LGICA DIFUSA

1.1 Introduccin

En el universo existen gran diversidad de especies o formas de vida de acuerdo a las

ideas que han sido expuestas por cientficos como Stephen Hawking, las cuales
presentan diversas caractersticas de comportamiento para favorecer sus condiciones de
vida y puedan adaptarse a su medio ambiente de desarrollo a lo largo de su existencia
temporal o generacional. De tal forma que la inteligencia caracteriza a las formas de vida
existentes y es abundante en todos los mbitos de la naturaleza y puede ser visualizada
de forma natural en aspectos tales como: la apreciacin de la realidad a travs de
nuestros sentidos, el reconocimiento de las cosas, el ordenamiento de pensamientos o
ideas, la formacin mental de imgenes entre otras de sus propiedades.

Todas estas formas de inteligencia humana han servido al hombre en su deseo de lograr
el desarrollo de herramientas que sean cada vez ms amigables para facilitar sus tareas
diarias, y es por esto que busca extraer los conceptos de inteligencia necesarios
encontrados en la naturaleza, para que sus sistemas o desarrollos se encuentren en
armona en un medio ambiente propio de su entorno, de tal forma que sus herramientas
se adapten de manera aproximada a las diversas situaciones, necesidades, costumbres e
interacciones que se tienen en un medio natural especfico. Es decir, el hombre busca
que sus herramientas tengan una interaccin de acuerdo a l mismo y su medio de
desarrollo.

La adaptacin a situaciones distintas es congruente con la evolucin de la ciencia y la

tecnologa. La sociedad cuenta con cambios que son cada vez ms acelerados, donde se
hace uso de mltiples tecnologas como lo es la computacin flexible (concepto
utilizado para describir a los sistemas computacionales que se adaptan a diversos
ambientes); para ofrecer al usuario final una relacin natural que est de acuerdo a un
ambiente especfico.

Para lograr que dos o ms sistemas inteligentes puedan tener una participacin activa y
equilibrada, de acuerdo a sus diversas reacciones en relacin a un objetivo, sus
respuestas deben ser clasificadas y caracterizadas, requiriendo para ello de un
mecanismo que deduzca sus cambios y permita responder de acuerdo a la dinmica
establecida entre ellos, para lo cual puede ser utilizado un sistema basado en lgica
difusa, ya que a travs de este tipo de sistemas es posible interpretar los
comportamientos de interaccin a la entrada y tomar las decisiones correspondientes por
cada uno de los cambios que se presenten en el tiempo, para llevarlos a una regin de
equilibrio y dar una respuesta adecuada; es decir, que cuenten con una relacin en la que
ambos logren su objetivo especfico de acuerdo a un criterio entre ellos definido ya sea
de manera directa o indirecta.

Los sistemas basados en lgica difusa son una herramienta relativamente novedosa que
se utilizan en control y sistemas de filtrado digital para aplicarse en sistemas inteligentes
y en diversas reas del conocimiento: informacin, espacial, comunicaciones, redes
neuronales, medicina, sistemas de control, entre otros. Las capacidades que presenta este
tipo de sistemas son las de interpretar y caracterizar el funcionamiento de un sistema
para emitir la respuesta ms apropiada, en un lenguaje natural.

1.2 Orgenes de los sistemas difusos

Las ideas bsicas de la lgica difusa se encuentran vinculadas con las primeras
aportaciones desarrolladas por el profesor Lotfi Zadeh en 1965, con respecto a los
conjuntos difusos; siendo uno de sus principales objetivos el de emplear un
razonamiento aproximado o de tipo suave con diferentes niveles o grados de operacin,
siguiendo patrones de razonamiento similares a los del pensamiento humano siendo este
un razonamiento no determinista, que a diferencia de la lgica clsica en donde se
requieren ideas ms precisas, en donde se utilizan conceptos absolutos como verdadero y
falso para referirse a la realidad; es por esto que la lgica difusa logra establecer una
relacin ms amigable por medio del lenguaje natural con el sistema de referencia con el
que se encuentra interactuando. Es por esta razn, que la lgica difusa en los ltimos
diez aos ha sido aplicada para el desarrollo tecnolgico de sistemas en los que se
consideran distintos niveles de operacin, sin olvidar que ser la base para las futuras
tecnologas.

Diversas compaas en el mbito internacional se han interesado en emplear la lgica

difusa en el desarrollo de sus productos y servicios para tener condiciones de operacin
ms amigables, adaptables y de menor costo para los consumidores; siendo estas,
ventajas competitivas, as como representativas para el mercado actual. Adems, al
utilizar la lgica difusa aplicndola a los sistemas de control se logra obtener un ahorro
de energa considerable, con un manejo ms adecuado de la informacin poco precisa o
con cierto grado de incertidumbre, y la forma de interactuar con los sistemas es ms
robusta porque logra cubrir diversas condiciones en su operacin , ya que las acciones de
control requeridas son establecidas por intervalos (conjunto de variables delimitadas que
tienen un valor de alcance mximo, por ejemplo la velocidad que se indica en un
velocmetro de automvil) a los que se les da el nombre de funciones de membresa.

En la actualidad los sistemas difusos se emplean como una herramienta para controlar el
transporte subterrneo, sistemas industriales de mayor complejidad, equipos
electrnicos, sistemas de diagnstico de enfermedades, entre otros sistemas a los que se
les conoce como sistemas expertos (son una clase de los sistemas computacionales del
rea de inteligencia artificial que clasifican o deciden de manera independiente las
acciones correspondientes a tomar en relacin al sistema de referencia a observar o
controlar) ya que tiene una relacin natural con su entorno, y de acuerdo a este realiza
acciones que afectan el desempeo del sistema que se desea controlar en un lmite
determinado.

1.3 Beneficios de los Sistemas Basados en Lgica Difusa

Los sistemas con lgica difusa responden a diversas tendencias tecnolgicas de la

actualidad, este tipo de sistemas son de gran flexibilidad, porque pueden ser
implementados en diferentes procesos, en diferentes condiciones de operacin, se
pueden configurar con relativa sencillez y es posible adecuar su estructura a las
condiciones cambiantes en que opera un proceso, a continuacin se describen los
beneficios de la lgica difusa con respecto a las tendencias tecnolgicas actuales:

1. Miniaturizacin, con respecto a las tecnologas porttiles con diversas aplicaciones

que deben funcionar en diversos ambientes de operacin y con tecnologas cada
vez ms pequeas y con mltiples funcionalidades, la lgica difusa es de gran
utilidad para el funcionamiento ptimo de estos sistemas portables.

2. Sistemas heterogneos, en donde se tiene una gran cantidad de tecnologas

diversas (como: hardware, software, protocolos) interactuando entre s,
estableciendo una comunicacin entre ellas a diferentes niveles y grados de
operacin.

3. Redes Mviles, con diversos tipos de acceso inalmbrico, ambientes de trabajo,

zonas de cobertura y acceso por grupos de usuarios.

4. Seguridad y encriptacin, que cuenta con niveles de servicio, resguardo de

informacin, llaves y diversos tipos de accesos por cada usuario del sistema
empleado.

5. Sistemas inteligentes, que requieren cierta inteligencia para interpretar su entorno

y tomar una decisin autnoma acertada con respecto a los cambios de su medio
ambiente a distintos niveles de respuesta.

6. Ahorro en costos, se debe a que la implantacin de sistemas con lgica difusa en

los procesos y sistemas, es una opcin viable, sencilla de implementar, de
reconfigurar y de relativamente bajo costo, lo cual presenta un ahorro en tiempo,
de recursos tecnolgicos y econmicos para el usuario.
1.4 El Sistema de Referencia

El sistema de referencia es aquel con el cual un sistema difuso tiene una interaccin
directa, el cual, puede ser una planta, un proceso, una seal externa al sistema difuso,
pero que inter-opera con el de forma directa; los cuales se implantan de forma conjunta
para poder clasificar e interpretar el funcionamiento del sistema de referencia a
diferentes niveles de operacin en sus respuestas, cada nivel de operacin representa el
grado en que se encuentra funcionando el sistema de referencia, teniendo de esta forma
una descripcin robusta del mismo y as determinar la respuesta ms adecuada a
diferentes intervalos.

1.5 Mecanismo de Inferencia

La estructura bsica de funcionamiento de un sistema difuso est constituida por el

mecanismo de inferencia, el cual tiene la caracterstica de realizar una accin experta de
acuerdo a un conjunto de reglas base, que son un conjunto de condiciones
preestablecidas en donde a una entrada especifica le corresponde una respuesta
determinada, para tener de esta forma la mejor condicin de operacin.

El proceso de inferencia realiza una interpretacin del sistema de referencia a la entrada

del mecanismo difuso, al tener las condiciones de comportamiento como su nivel de
operacin, se determina cual es la mejor respuesta que representa de forma optima a ese
nivel de operacin y se selecciona la funcin de membresa correspondiente de una base
de conocimiento que contiene a todas las funciones de membresa a elegir, y
posteriormente da la respuesta correcta.

1.6 Variable Lingstica

Son caracteres legibles (como colores, letras, palabras, sonidos, smbolos) que pueden
ser interpretados o diferenciados fcilmente por una persona que controla un sistema.
Estas variables de forma especfica representan una condicin en que el sistema puede
funcionar o est funcionando.

La variable lingstica puede ser seleccionada por un operador desde un controlador del
sistema para establecer la condicin deseada del sistema, y tambin puede ser la salida
del propio sistema automatizado por sensores para sealar al supervisor sus condiciones
de funcionamiento en un instante determinado.

1.7 Interpretacin de Niveles de Operacin

La lgica difusa hace uso de diversas variables lingsticas que son elegidas con relacin
al sistema con que interacta, en su mayora estas variables son palabras que representan
valores cualitativos y que al ser utilizadas en un procesador por medio de un teclado o
sensores, son interpretadas por la computadora o sistema para ofrecer un control lo ms
preciso posible y llevarlo a una regin de operacin deseada en un tiempo especfico.

Un sistema difuso se considera estable (es decir que se mantiene operando sin
modificaciones durante cierto tiempo especfico), ya que todas las variables y respuestas
se encuentran delimitadas por las restricciones del proceso con el que interacta a travs
de la base del conocimiento.

El sistema difuso contiene en una base de conocimiento todos los niveles de respuesta
que puede dar el proceso con el cual est interactuando, por lo cual todas las posibles
respuestas estarn acotadas por el proceso de referencia dentro de regiones predefinidas.

La clasificacin de los niveles de respuesta que tiene un sistema difuso se realiza por
medio de funciones de membresa, que son un conjunto de valores de un mismo
parmetro dentro del mecanismo del sistema difuso; que est constituido por reglas
usando conectores lgicos: uno que interpreta en qu nivel est operando el sistema de
referencia, denominado SI, y otro que deduce y selecciona de la base de conocimiento la
funcin de membresa correspondiente a ese nivel de operacin, llamado ENTONCES,
para conformar la base de conocimiento.

Figura 1.1 Proceso de operacin de un sistema difuso

En la Figura 1.1, se tiene una representacin bsica de un sistema difuso en donde a la

entrada se tiene una respectiva seal (que proviene del sistema de referencia), el
sistema difuso primero interpreta el nivel de operacin por medio del conector lgico
SI, entonces el conector lgico ENTONCES deducir la respuesta correspondiente,
posteriormente el mecanismo difuso seleccionara de la base del conocimiento la
respuesta correcta, este proceso se repetir en cada cambio que pueda tener el sistema
de referencia.

Para describir a un sistema difuso se tiene una seal que proviene de un sistema de
referencia denominada como seal deseada y(k), porque esta seal ser el modelo del
mecanismo difuso para dar una respuesta especfica a la salida y ( x ) , por medio de la
inferencia que realizar el mecanismo difuso. Posteriormente se realizar la seleccin de
la funcin de membresa descrita como a ( x ) de la base del conocimiento, est ajustar
el mecanismo del sistema para llegar a la respuesta adecuada. De esta forma el sistema
difuso podr ofrecer respuestas a diversos niveles de operacin (como en un control de
temperatura puede ser, fro, tibio caliente) para que sus condiciones sean lo ms
natural posible de acuerdo a un sistema real.

Seal deseada del

proceso de
y(k) Vs.
referencia: y(k)

Entrada
del filtro error e(k)
Inferencia
Ajuste te los
Respuesta
valores del
SI ENTONCES del sistema
sistema a la
BC
condicin
El valor del La funcin de Base de objetivo
error es: membresa es: conocimiento
e(k) que almacena
los valores de

Figura 1.2 Proceso de operacin de un sistema difuso

En la figura 1.2, se ilustra el proceso de un mecanismo difuso, en donde a la entrada se

tiene una respectiva seal deseada del sistema de referencia, luego est es interpretada
por el mecanismo difuso; el cual compara la respuesta actual del sistema difuso con
respecto a la seal deseada y la diferencia es un valor de error, y de acuerdo a este
error se determina que nivel es el adecuado para dar la respuesta mas adecuada. Se
selecciona la funcin de membresa correspondiente de una base de conocimiento
ajustando los valores del sistema para dar su respuesta.

1.8 Funciones de Membresa

Las funciones de membresa son un conjunto de valores o funciones que describen al

funcionamiento de un sistema en diferentes grados de operacin, en donde cada funcin
de membresa de forma especfica, representa un respectivo nivel de operacin para el
sistema. Para realizar la clasificacin de las respuestas de un sistema propuesto, en
lgica difusa puede ser caracterizado: a) por medio del conocimiento experto en el
sistema a describir adquirido por su operador o controlador (humano o tecnolgico) y b)
de forma probabilstica, al establecer los rangos o niveles de operacin dentro de las
funciones de distribucin que acotan sus respuestas. En cualquiera de los dos casos
mencionados se generan las funciones de membresa (valores de a(k) descritos en la
figura 2) en una base de conocimiento, que estn de acuerdo con la funcin de operacin
del sistema y que por medio de los lmites de operacin del sistema quedan acotadas en
los diferentes grados o niveles en que opera el sistema en anlisis, y que en forma
ilustrativa se observa en la Figura 1.3.

Figura 1.3 Funciones de membresa dentro de una funcin de distribucin

El rea interna de una funcin de distribucin de un sistema de referencia, representa

su regin de operacin total, dentro de la cual se deben generar las funciones de
membresa para que los niveles de operacin queden acotados dentro de su
funcionamiento.
CAPITULO II. TEORIA DIFUSA

2.1 Introduccin a la Teora Difusa

En este captulo se introduce al lector a los fundamentos de la lgica difusa, los

principales conceptos y nociones matemticas de conjuntos difusos; primero se vern los
conjuntos difusos como una generalizacin de los conjuntos clsicos, de acuerdo al
rango de la funcin de membresa (o funcin caracterstica) de {0,1} a un nmero real
en el intervalo [0,1], para as describir algunos trminos que se necesitan dentro del
anlisis de lgica difusa, despus se describirn los tipos funciones de membresa, las
operaciones bsicas con nmeros difusos del tipo triangular y de esta forma establecer la
forma de implantar este tipo de razonamiento, en el anlisis y discusin para establecer
la forma de resolver el problema en cuestin[39].

2.2 Conjuntos Difusos

Un conjunto clsico, es un conjunto con una delimitacin rgida, en lo que se refiere a

sus intervalos de operacin, este es caracterizado por y como la totalidad de sus
nmeros, objetos o elementos.

Los miembros que conforman un conjunto clsico pueden ser representados por alguna
enumeracin o alguna propiedad caracterstica, de esta forma uno puede representar un
conjunto A con elementos a1 ,.....a10 , teniendo A a1 ,.....a10 A a1 1 n 10 .

Sin embargo un conjunto difuso, es un conjunto sin una delimitacin rgida en sus
intervalos de operacin ([19], [33] y [39]) esto es, una transicin gradual que va desde
pertenecer a un conjunto a no pertenecer a un conjunto, esta transicin de tipo
suave es caracterizada por las funciones de membresa, que representan en su conjunto
grados de pertenencia y las cuales dan flexibilidad a los conjuntos difusos. La propiedad
difusa no viene de la aleatoriedad de los miembros constituyentes de los conjuntos, sino
de la naturaleza imprecisa e incierta de pensamientos y conceptos abstractos.

2.2.1 Definiciones Bsicas y Terminologa

La lgica difusa va asociada con caractersticas que tienen cierto grado de incertidumbre
en la estructura de un conjunto de datos [33]. Los elementos de un conjunto difuso son
pares ordenados que indican el valor del elemento y su grado de pertenencia. Para un
conjunto difuso A x, A x x X , se tiene que el elemento x pertenece al
conjunto A con un grado de pertenencia A x , el cual vara entre 0 y 1. Luego un
conjunto difuso A es una simple extensin de un conjunto clsico en el cual a la
funcin caracterstica le es permitido tener valores entre 0 1 , si este valor lo
restringimos a nicamente poder tener los valores de 0 de 1, entonces A es reducido a
un conjunto clsico. A continuacin se enumeran algunas de las definiciones bsicas de
lgica difusa [23].

Definicin 2.1 (Centro y Conjunto Difuso Normal) El centro de un conjunto difuso A

se define como el conjunto de todos los puntos x X tales que:

A x 1 Centro A x A x 1 (2.1)

Un conjunto difuso A es normal si su centro es no vaco, en otras palabras siempre

podemos encontrar un punto x X tal que A x 1 .

Definicin 2.2 (Punto de Cruce) Un punto de cruce de un conjunto difuso A es un

punto x X en el cual:

A x 0.5 Cruce A x A x 0.5 (2.2)

Definicin 2.3 (Corte-). El corte o conjunto de nivel de un conjunto difuso

A es un no conjunto difuso (clsico) definido por:

A x A x (2.3)

Definicin 2.4 (Nmeros Difusos) Un nmero difuso A es un conjunto difuso en R

normal y convexo (circunferencia o superficie esfrica).

Definicin 2.5 (Unin) La unin de dos conjuntos difusos A y B se define como:

A B x max A x , B x A x B x (2.5)

Definicin 2.6 (Interseccin) La interseccin de dos conjuntos difusos A y B se

define de la siguiente manera:
 A B x min A x , B x A x B x (2.6)

Definicin 2.7 (Complemento) El complemento de un conjunto difuso B , se denota

por A A, NOT A y se define como:

A x 1 A x (2.7)

Definicin 2.8 (Norma T (AND Difuso)) Un operador T-Norma satisface las siguientes
propiedades ([37] y [39]):

T 0,0 0, T a,1 T 1, a a (Acotado)

T a, b T c, d si a c y b d (Monotonicidad)
T a , b T b, a
(2.9)
(Conmutatividad)
T a , T b, c T T a , b , c (Asociatividad)

Definicin 2.9 (Norma S (OR Difuso)) Un operador T-Conorma (o S-Norma) satisface

las siguientes propiedades:

S 1,1 1, S 0, a S a,0 a (Acotado)

S a, b S c, d si a c y b d (Monotonicidad)
S a , b S b, a
(2.11)
(Conmutatividad)
S a , S b, c S S a , b , c (Asociatividad)

2.3 Caracterizacin por Funciones de Membresa

Un conjunto difuso es completamente caracterizado por su funcin de membresa (FM)

o grado de pertenencia segn ([37] y [39]), ya que en la mayora de los conjuntos difusos
el universo X es la lnea de los reales R, seria imprctico listar todos los pares definiendo
el grado de pertenencia. Una forma de definir la funcin de membresa ms concreta y
conveniente es expresarla como una formula matemtica.

2.3.1 Tipos de Funciones de Membresa

 A continuacin se describen las clases de funciones que describen los parmetros de un
sistema difuso y comnmente son empleadas para describir la funcin de membresa en
una y dos dimensiones [37].

FM Triangular.- Esta es especificada por tres parmetros a, b, c de la forma

siguiente:

0, xa
xa
, a xb
Triangular x; a, b, c b a (2.12)
cx
, bxc
cb
0, cx

Los parmetros {a, b, c} (con a < b < c) determinan las coordenadas de las tres esquinas
de la FM triangular, como se observa en la figura 2.1

Figura 2.1 Representacin Grafica de una Funcin de Membresa Triangular

FM Trapezoidal.- Esta es especificada por cuatro parmetros a, b, c, d de la forma

siguiente:

0, xa
xa
, a xb
b a
Trapezoida l x; a, b, c, d 1, bxc (2.13)
cx
c b , cxd
0, dx

Los parmetros {a, b, c, d} (con a < b < c < d) determinan las coordenadas de los cuatro
puntos de la FM trapezoidal, como se observa en la figura 2.2

Figura 2.2 Representacin Grafica de una Funcin de Membresa Trapezoidal

FM Gaussiana.- Esta es especificada por dos parmetros c, de la siguiente forma:

2
1 x c

Gaussiana x; c, e 2

(2.14)

Una funcin de membresa Gaussiana es determinada completamente por c y ; c

representa el centro de la FM, mientras que representa el ancho de banda de la FM.

Figura 2.3 Representacin Grafica de una Funcin de Membresa Gaussiana

FM de Campana.- Es especificada por tres parmetros a, b, c :

 1
Campana x; a, b, c 2b
xc (2.15)
1
a

Donde el parmetro b es usualmente positivo (si b es negativo la forma de la FM es una

campana inversa).

Figura 2.4 Representacin Grafica de una Funcin de Membresa de Campana

FM Sigmoidal.- Se define por dos parmetros x; a, c :

1
Sigmoidal x; a, c (2.16)
1 e a x c

Donde a controla la cuesta al punto de cruce donde se tiene a x = c. Dependiendo del

signo del parmetro a, una sigmoidal FM es abierta por la derecha o abierta por la
izquierda.
 Figura 2.5 Representacin Grafica de una Funcin de Membresa Sigmoidal

2.4 Operaciones Aritmticas con Nmeros

Un nmero triangular difuso puede ser parametrizado por una tripleta a, b, c donde la
funcin de pertenencia de un nmero triangular difuso A esta definida por [39]:

0, ua
ua
, aub
A u b a (2.17)
cu
, buc
cb
0, cu

Las operaciones aritmticas entre nmeros difusos triangulares X y Y son definidas como
sigue [18] y [39]:

1. Adicin de nmeros difusos triangulares

X Y a x , b x , c x a y , b y , c y a x a y , bx b y , c x c y (2.18)

2. Sustraccin de nmeros difusos triangulares

X Y a ,b ,c
x x x a y , by , c y a x a y , bx b y , c x c y (2.19)

3. Multiplicacin de nmeros difusos triangulares

X Y a x , bx , c x a y , b y , c y a x a y , bx b y , c x c y (2.20)
4. Divisin de nmeros difusos triangulares

X Y a ,b ,c
x x x a y , b y , c y a x / a y , bx / b y , c x / c y (2.21)

2.5 Descripcin de las Variables Lingsticas

Cuando a una variable se le asigna un nmero como su propio valor se tiene un marco
matemtico de trabajo bien establecido para formularlo, pero cuando una variable toma
un caracter como su valor no tenemos un marco de trabajo formal para formularlo en
teora de matemtica clsica. Para proveer dicho marco de trabajo se introdujo el
concepto de variable lingstica, que es la forma de interpretar un caracter y darle un
valor numrico hablando normalmente [39].

Definicin 2.10 (Variable lingstica) Una variable que toma caracteres en lenguajes
naturales como sus valores, se le llama variable lingstica, donde las palabras son
caracterizadas como conjuntos difusos definidos en el universo de discurso en el que la
variable es definida analticamente por intervalos[39].

Una descripcin formal de lo que es una variable lingstica es descrita por (Zadeh),
donde la variable lingstica esta caracterizada por la siguiente expresin:

( x, T ( x ), X , M ) (2.22)

Donde:

x : es el nombre de la variable, por ejemplo Temperatura de un horno.

T ( x ) : es el conjunto de valores lingsticos de x que puede tomar; por ejemplo: para
la Temperatura del horno T Baja, Media, Alta .

X : es el dominio fsico actual o universo de discusin, en la cul la variable

lingstica x toma valores numricos, para el ejemplo de la temperatura del horno
X 0, Tmax .

M : es una regla semntica la cual asocia a cada valor lingstico en T ( x ) con un

conjunto difuso en X.

El concepto de variable lingstica es de gran importancia para los sistemas difusos,

porque son los elementos fundamentales de la representacin del conocimiento humano.
Cuando se utilizan sensores para medir una variable, estos entregan un valor numrico
como salida, cuando se le pregunta a un experto humano para que evale una variable,
ellos entregan palabras como salidas, de aqu que a partir del concepto de variables
lingsticas se pueden formular descripciones vagas en lenguaje natural a trminos
matemticos precisos [33].

2.6 Reglas Difusas Si-Entonces (IF-THEN)

Una regla difusa Si-Entonces (tambin conocida como regla difusa, implicacin difusa o
estatuto condicional difuso) asume la forma [19] y [37]:

SI como un antecedente, ENTONCES como una consecuencia

Donde el antecedente y la consecuencia son valores lingsticos definidos por conjuntos

difusos.

Ejemplos 2.1 Si-Entonces son empleados en nuestras expresiones lingsticas

diariamente, tales como las siguientes:

Si la neblina es densa Entonces la visin se dificulta.

Si la carretera esta daada Entonces manejar es peligroso.

Si la manzana esta verde Entonces no est madura.

2.7 Proposiciones Difusas

Existen dos tipos de proposiciones: las proposiciones difusas atmicas y las

proposiciones difusas compuestas. Una proposicin difusa atmica es una declaracin
simple como [39]:

x es A (2.23)

Donde x es una variable lingstica, y A es un valor lingstico de x (esto es, A es

un conjunto difuso definido en el dominio fsico de x ).
Por ejemplo, si x representa la velocidad del auto del ejemplo anterior, se tienen las
siguientes proposiciones difusas (las primeras tres son proposiciones atmicas difusas y
las ltimas tres son proposiciones compuestas difusas):

x es L (2.24)

x es M (2.25)

x
es R (2.26)

x
es L x no es M (2.27)

x no es L y x no es R (2.28)

( x es L y x no es R ) x es M (2.29)

Donde L, M y R denotan los conjuntos difusos "lento", "medio" y rpido",

respectivamente.

Se puede notar que en una proposicin compuesta difusa, las proposiciones atmicas
difusas son independientes, esto es, las x s en la misma proposicin de (2.27)-(2.29)
pueden ser diferentes variables. En realidad, las variables lingsticas en una proposicin
difusa son en general diferentes.
Por ejemplo, sea x la velocidad de un auto en donde y x la aceleracin del auto,

entonces si se define el conjunto alta (A) para la aceleracin, se tiene la siguiente

proposicin difusa compuesta:

x no es R y y es A

Las reglas difusas combinan uno o ms conjuntos difusos de entrada, llamados

antecedentes o premisas, y les asocian un conjunto difuso de salida, llamado
consecuente o consecuencia. Los conjuntos difusos de la premisa se asocian mediante
conjuntivas lgicas como y, o, etc. Una regla tpica, de tipo IF-THEN, para un sistema
de control.

Las reglas difusas permiten expresar el conocimiento que se dispone sobre la relacin
entre antecedentes y consecuentes. Para expresar este conocimiento de forma completa
normalmente se precisa de varias reglas, que se agrupan formando lo que se conoce
como una base de reglas, es decir, el conjunto de reglas que expresan las relaciones
conocidas entre antecedentes y consecuentes.
La base de reglas se puede representar bien como una tabla de las reglas que la forman,
o bien como una memoria asociativa difusa o FAM (Fuzzy Associative Memory). Las
FAM son matrices que representan la consecuencia de cada regla definida para cada
combinacin de dos entradas. Las FAM permiten realizar una representacin grfica
clara de las relaciones entre dos variables lingsticas de entrada y la variable lingstica
de salida, pero requiere que se indique explcitamente todas las reglas que se pueden
formar con estas dos variables de entrada. Cuando el nmero de conjuntos de cada una
de las particiones de entrada crece las FAM se hacen difcilmente manejables [37].

2.7.1 Razonamiento Difuso

Como en cualquier otra lgica, las reglas de inferencia de lgica difusa gobiernan la
deduccin de una proposicin que a partir de un conjunto de premisas pi : i Z ` .En
lgica difusa, se permite que ambas; premisas y conclusiones sean proposiciones
difusas. Adems, ya que los resultados inferidos, usualmente deben ser traducidos en
trminos ms significativos (conjuntos difusos) por el uso de aproximacin lingstica,


la conclusin final obtenida a partir de las premisas pi pi , pi es, en general, una
aproximacin en lugar de una consecuencia exacta de p
i
, pi , i Z [39].

La regla bsica de inferencia en la lgica tradicional es el modus ponens, de acuerdo al

cual podemos inferir la verdad de una proposicin B a partir de la veracidad de A y la
implicacin A B . Por ejemplo si A es identificado como La neblina esta densa y
B con La visin se dificulta, entonces si es verdad que La neblina esta densa esto
implica que tambin es verdad que La visin se dificulta. Este concepto es ilustrado de
la manera siguiente [23]:

Premisa 1 (Regla) Si x es A Entonces y es B

Premisa 2 (Hecho) x es A

Conclusin: y es B

Sin embargo, en gran parte del razonamiento humano, el modus ponens es empleado de
una manera aproximada. Por ejemplo si tenemos la misma regla de implicacin y
conocemos que La neblina esta mas o menos densa podemos inferir que La visin es
mas o menos buena. Esto es escrito como:

Premisa 1 (Regla) Si x es A Entonces y es B

 Premisa 2 (Hecho) x es A

Conclusin: y es B

Donde es A cercano a A y B es cercano a B . Cuando A , B , A y B son

conjuntos difusos de universos apropiados, el procedimiento de inferencia anterior es
llamado razonamiento aproximado o razonamiento difuso, tambin llamado, modus
ponens generalizado, ya que, este es un caso especial del modus ponens [39].

Las matemticas difusas proporcionan un punto de inicio y un lenguaje para los sistemas
difusos y el control difuso. Las matemticas difusas son un campo enorme donde sus
principios se han desarrollado para reemplazar los conjuntos de la teora matemtica
clsica por conjuntos difusos. De esta forma la teora de la matemtica clsica se puede
transformar en matemtica difusa, observando el nacimiento de palabras como topologa
difusa, lgebra difusa, anlisis difuso, etc. Estos principios y conceptos son muy tiles
dentro de los sistemas difusos y del control difuso [33].
CAPITULO III. DESCRIPCIN DE LOS
SISTEMAS DE CONTROL

3.1 Introduccin a los Sistemas de Control

Para establecer las caractersticas de control para un sistema de control difuso, es

necesario realizar una breve introduccin a lo que son los sistemas propiamente de
control y describir algunas de sus propiedades y conceptos que sern de utilidad para
tener un mejor entendimiento de los sistemas de control difuso.

En la vida diaria existen actividades que necesitan cumplirse con ciertas condiciones. La
bsqueda para alcanzar tales actividades con ciertas condiciones requiere de un sistema
que implante ciertas estrategias para obtener los resultados requeridos con las
condiciones establecidas. En aos recientes, los sistemas de control tenan un papel de
gran importancia en el desarrollo y avance cientfico-tecnolgico. Todas las actividades
de la vida cotidiana estn relacionadas con un tipo de sistema de control. Los sistemas
de control se encuentran en gran cantidad en todos los sectores de la industria, tales
como control de calidad de los productos manufacturados, lneas de ensamble
automtico, control de mquinas-herramientas, control por computadora entre muchos
otros. Aun el control de inventarios, sistemas econmicos y sociales se pueden visualizar
a travs de la teora de control automtico. Por lo tanto podemos definir como un
sistema de control a toda aquella estrategia o tcnica aplicada a un sistema, capaz de
manipular su estructura y comportamiento de acuerdo a nuestras necesidades o
condiciones; manteniendo al sistema en una regin determinada y en un tiempo acotado
[7] y [46].

3.2 Propiedades Bsicas de un Sistema de Control

Las propiedades bsicas de un sistema de control se pueden describir mediante [7] y [20]
de la siguiente forma:

Objetivos de control.

Componentes del sistema de control.

Resultados o salidas.
La relacin bsica entre estas tres propiedades se ilustra en la figura 3.1, en trminos
ms tcnicos, los objetivos se pueden identificar como entradas, o seales actuantes u,
y los resultados tambin se llaman salidas, o variables controladas. En general, el
objetivo de un sistema de control es acotar las salidas de alguna forma prescrita
mediante las entradas a travs de los elementos del sistema de referencia.

Figura 3.1 Componentes bsicos de un sistema de control.

3.3 Sistemas de Control en Lazo Abierto

Los elementos de un sistema de control en lazo abierto se pueden dividir en dos partes:
a) el controlador y b) el sistema o proceso, como se ilustra en la figura 3.2, una seal de
entrada o comando se aplica al controlador, cuya salida acta como seal actuante, la
seal actuante controla el proceso de tal forma que la variable controlada se comporte de
acuerdo a nuestras condiciones. En los casos simples, el controlador puede ser un
amplificador, unin mecnica, u otro elemento de control. En los casos ms complejos,
el controlador puede ser un CPU. Debido a la simplicidad y economa de los sistemas de
control en lazo abierto, se les encuentra en muchas aplicaciones no crticas [5] y [36].

Figura 3.2 Componentes de un sistema de control en lazo abierto

3.4 Sistemas de Control en Lazo Cerrado (Realimentados)

Lo que hace falta en los sistemas de control en lazo abierto para que sea ms exacto,
adaptable y estable es una conexin o realimentacin de la variable controlada hacia un
comparador o sumador que se encuentra en la entrada, ya que la seal resultante de esa
comparacin es la seal actuante al sistema para corregir un posible error. Un sistema
con una o ms trayectorias de realimentacin se denomina sistema en lazo cerrado. Este
tipo de control se puede observar en la figura 3.3 [5] y [20].
 Figura 3.3 Componentes de un sistema de control en lazo cerrado

3.4.1 Realimentacin y sus Efectos

Uno de los motivos de utilizar realimentacin es reducir el error entre la entrada de

referencia y la salida del sistema. Sin embargo, el significado de los efectos de la
realimentacin en un sistema de control es ms complejo. La reduccin del error del
sistema es solo uno de los efectos ms importantes que la realimentacin realiza sobre el
sistema. A continuacin se describe como la realimentacin tambin tiene efectos en las
caractersticas el sistema tales como la estabilidad, ancho de banda, ganancia global,
perturbaciones y sensibilidad [46].

Para entender los efectos de la realimentacin sobre un sistema de control, es esencial

examinar el fenmeno en el ms amplio sentido. Cuando la realimentacin es
introducida en forma deliberada para propsitos de control, su existencia se identifica
fcilmente. Sin embargo, existen numerosas situaciones en donde un sistema fsico, que
normalmente se reconocera como un sistema inherentemente no realimentado, se vuelve
realimentado cuando se observa de cierta manera. En general, se puede establecer que
cuando una secuencia cerrada de relaciones causa-efecto existe entre las variables de un
sistema, se dice que existe realimentacin. Este punto de vista admitir, inevitablemente,
realimentacin en un gran nmero de sistemas que normalmente se identificaran como
sistemas no realimentados. Sin embargo, con la disponibilidad de la realimentacin y de
la teora de sistemas de control, esta definicin general permite que numerosos sistemas,
con o sin realimentacin, sean estudiados en una forma sistemtica una vez que la
existencia de la realimentacin en el sentido mencionado previamente sea establecida
[5], [7] y [36].

Los parmetros G y H se pueden considerar como ganancias constantes. Mediante

manipulacin algebraica simple, es fcil mostrar que la relacin entrada-salida del
sistema es:

y G
M (3.1)
r 1 GH
Empleando las ecuaciones bsicas de la estructura de los sistemas realimentados, se
pueden analizar alguno de los efectos significativos de la realimentacin.

3.4.2 Tipos de Sistemas de Control Realimentado

Los sistemas de control realimentados se pueden clasificar en diversas formas,

dependiendo del propsito de la clasificacin. Por ejemplo, de acuerdo con el mtodo de
anlisis y diseo, los sistemas de control se clasifican en lineales y no lineales, variantes
con el tiempo o invariantes con el tiempo. De acuerdo con el tipo de seales usadas en el
sistema, se hace referencia a sistemas en tiempo continuo y en tiempo discreto, o
sistemas modulados y no modulados. A menudo, los sistemas de control se clasifican de
acuerdo con su propsito principal. Por ejemplo, un sistema de control de posicin y un
sistema de control de velocidad controlan las variables de salida de acuerdo con la forma
como sus nombre lo indica. En general, existen muchas formas de identificar un sistema
de control de acuerdo con alguna funcin especial del sistema. Es importante que
algunas de estas formas comunes de clasificar a los sistemas de control sean conocidas
previamente para obtener una perspectiva propia antes de realizar su anlisis y diseo [7]
y [20].

3.5 Representacin Matemtica de los Sistemas de Control

La forma ms estndar de modelar un sistema lineal es utilizando la funcin de

transferencia para representar las relaciones entrada-salida de las variables del sistema.
Para determinar la funcin de transferencia necesitamos de un punto de inicio el cual
usualmente consiste en emplear la respuesta al impulso [7].

3.5.1 Respuesta al Impulso

Pensemos en un sistema lineal e invariante en el tiempo que tiene una entrada u(t) y la
salida y(t). El sistema se puede caracterizar por una respuesta al impulso g(t), que se
define como la salida cuando la entrada es una funcin impulso unitario (t). Una vez
que se conoce la respuesta al impulso de un sistema lineal, la salida del sistema, y(t),
para cualquier entrada, u(t), se puede encontrar mediante la funcin de transferencia [7].

3.5.2 Funcin de Transferencia

La funcin de transferencia G(s) de un sistema lineal invariante en el tiempo se define

como la transformada de Laplace de la respuesta impulso, con todas las condiciones
iniciales iguales a cero [5], [20] y [36].
 G ( s ) L g (t ) . (3.2)

La funcin de transferencia G(s) se relaciona con la transformada de Laplace de la

entrada y la salida a travs de la siguiente relacin:

Y (s)
G(s) . (3.3)
U ( s)

Con todas las condiciones iniciales a cero, Y(s) y U(s) son las transformadas de Laplace
de y(t) y u(t).

Propiedades de la funcin de transferencia:

La funcin de transferencia esta definida solamente para un sistema lineal

invariante en el tiempo. No esta definida para un sistema no lineal.

Todas las condiciones iniciales del sistema son igual a cero.

La funcin de transferencia es independiente de la entrada del sistema.

La funcin de transferencia de un sistema en tiempo continuo se expresa slo

como una funcin de la variable compleja s. No es funcin real del tiempo.

3.5.3 Funcin de Transferencia Propia e Impropia

Se dice que la funcin de transferencia de la ecuacin (3.4) [20]:

Y ( s ) bm s m bm 1 s m 1 ... b1 s b0
G(s) . (3.4)
U ( s ) a n s n a n 1 s n 1 ... a1 s a0

De acuerdo con la ecuacin (3.4) es:

Estrictamente propia.- si el grado del polinomio denominador es mayor que el del

polinomio numerador, teniendo a n m .
 Propia.- si el grado del polinomio numerador y el del denominador son iguales,
teniendo a n m .

Impropia.- si el grado del polinomio numerador es mayor que el del polinomio

denominador, teniendo a m n .

3.6 Ecuacin Caracterstica

La ecuacin caracterstica de un sistema (3.4) se define como la ecuacin que se obtiene

al igualar a cero el polinomio denominador de la funcin de transferencia; es decir,
a n s n a n 1 s n 1 ... a1 s a 0 0 . La importancia de la ecuacin caracterstica para
sistemas de una entrada y una salida (SISO) es fundamental para entender la estabilidad
del sistema a travs de los valores propios para el conjunto de {si } [46].

3.6.1 Polos de una Funcin

La definicin de un polo se puede enunciar como: Si una funcin G(s) es analtica, en la

vecindad de si, se dice que tiene un polo de orden r en s = si, si el limite:

lim s si r G ( s ) .
s si
(3.5)

Se tiene un valor finito diferente de cero. En otras palabras, el denominador de G(s) debe
incluir el factor (s = si) r, por lo que cuando s = si, la funcin se vuelve infinita. Si r =1,
el polo en s = si, se llama un polo sencillo. Como un ejemplo la funcin

Ejemplo 3.1 dado el siguiente sistema:

10( s 2)
G (s) .
s ( s 1)( s 3) 2

Se tiene un polo de orden 2 en s 3 y polos sencillos en s 0 y s 1 . Tambin se

puede decir que la funcin G (s ) es analtica en el plano s , excepto en estos polos.

3.6.2 Ceros de una Funcin de Transferencia

La definicin de un cero de una funcin se puede enunciar como: Si la funcin G(s) es

analtica en s s i , se dice que tiene un cero de orden r en s s i , si:
 ssi
r

lim s si G ( s ) . (3.6)

Se tiene un valor finito diferente de cero. O simplemente, G (s ) tiene un cero de orden

r en s si , si 1 / G ( s) tiene un polo de orden r en s si .

Ejemplo 3.2, retomando la funcin descrita en el ejemplo 3.1, tiene un cero sencillo en
s 2 .

3.7 Control con Lgica Difusa

Una de las principales aplicaciones de la lgica difusa es el diseo de sistemas de control

que a partir de tener ciertas entradas en un sistema se debern generar unas salidas, para
poder actuar sobre determinados mecanismos. Un ejemplo podra ser el sistema de
control para regular la velocidad de un ventilador en funcin de la temperatura de un
horno. En este caso, la nica entrada del sistema sera el valor de la temperatura, por
ejemplo en grados centgrados, y la nica salida, el valor, en revoluciones por minuto
(rpm), de la velocidad necesaria del ventilador para conseguir una temperatura ideal
[37].

En aos recientes el campo de los sistemas difusos y el control ha tenido un progreso

acelerado. Motivados por el xito del control difuso en productos de consumo y en el
control de procesos industriales, ha habido un incremento en la cantidad de trabajos
sobre los estudios de los sistemas difusos y el control difuso.

Los sistemas difusos son sistemas basados en el conocimiento o en reglas. La

caracterstica principal de un sistema difuso es su base de reglas que consiste de un
conjunto de proposiciones SI-ENTONCES (IF-THEN rules). Una regla SI-ENTONCES
es una declaracin en la cual algunas palabras son caracterizadas por funciones de
pertenencia ( funciones de membresa) continuas. Por ejemplo, la siguiente es una regla
difusa SI-ENTONCES [33].

SI la velocidad de un carro es alta,

(3.7)
ENTONCES se aplica menor fuerza al acelerador
 Figura 3.4 Funcin de pertenencia para la variable alta.

Figura 3.5 Funcin de pertenencia para la variable menor.

Donde las palabras alta y menor son caracterizadas por las funciones de pertenencia
( funciones de membresa) mostradas en la figura 3.4 y 3.5 respectivamente. Un
sistema difuso es construido de una coleccin de reglas difusas SI-ENTONCES.

El punto de inicio para construir un sistema difuso es obtener una coleccin de reglas
difusas basadas en el conocimiento humano de los expertos generar las reglas en base
a la funcin de distribucin del sistema de referencia. El siguiente paso es combinar
estas reglas en un sistema simple. Los diferentes sistemas difusos emplean diferentes
principios de esta combinacin [37].

Existen tres tipos de sistemas difusos empleados comnmente:

Sistemas difusos puros (figura 3.6).

Sistemas difusos con inferencia de entrada y una inferencia de salida (figura 3.7).
 1. Takagi-Sugeno-Kang (TSK).

2. Mandami

La configuracin bsica de un sistema difuso puro se muestra en la figura 3.6. La base

de reglas difusas representa la coleccin de reglas SI-ENTONCES. Por ejemplo, para el
controlador de un auto, la base de reglas difusas consiste de las siguientes tres reglas:

Figura 3.6 Configuracin bsica de los sistemas difusos puros.

SI la velocidad es baja,
(3.8)
ENTONCES se aplica ms fuerza al acelerador.

SI la velocidad es media,
(3.9)
ENTONCES se aplica una fuerza normal al acelerador.

SI la velocidad es alta,
(3.10)
ENTONCES se aplica menor fuerza al acelerador.

El dispositivo de inferencia difusa combina las reglas difusas SI-ENTONCES dentro de

un mapeo de conjuntos difusos en el espacio de entrada U R n a conjuntos difusos en
el espacio de salida V R basado en principios de la lgica difusa. Si existiera una
lnea de retroalimentacin en la figura 3.6, el sistema se transforma en un sistema
dinmico difuso.

El principal problema con el sistema difuso puro es que sus entradas y salidas son
conjuntos difusos (palabras en lenguajes naturales), por el contrario en los sistemas de
ingeniera las entradas y las salidas son variables valuadas en la realidad. Para resolver
este problema, Takagi, Sugeno y Kang propusieron otro sistema difuso cuyas entradas y
salidas son variables valuadas en la realidad [37].

Para considerar las reglas difusas SI-ENTONCES en la forma de (3.7), el sistema

Takagi- Sugeno-Kang (TSK) utiliza reglas en la siguiente forma:

SI la velocidad x de un carro es alta,

ENTONCES la fuerza del acelerador es y cx . (3.11)

Donde la palabra alta tiene el mismo significado que en la expresin (3.7), y c es una
constante. Comparando las expresiones (3.11) y (3.7) podemos ver que la parte
ENTONCES de la regla cambia de una descripcin utilizando palabras en lenguajes
naturales a una frmula matemtica simple. Este cambio hace ms fcil combinar las
reglas. En realidad, el sistema difuso Takagi-Sugeno-Kang es una media ponderada
tomada de los valores en las partes ENTONCES de las reglas [33].

Los problemas principales con el sistema difuso Takagi-Sugeno-Kang son:

Su parte ENTONCES es una frmula matemtica y por tanto no puede

proporcionar un marco natural que represente el conocimiento humano.

No hay mucha libertad para aplicar diferentes principios en lgica difusa,

debido a esto la versatilidad de los sistemas difusos no est muy bien
representada en este marco. Para resolver estos problemas empleamos los
sistemas difusos con su mecanismo de inferencia, su configuracin se muestra
en la figura 3.7.

Figura 3.7 Configuracin bsica de los sistemas difusos con un mecanismo de inferencia difusa.
 Figura 3.8 Sistema difuso como controlador en lazo abierto.

Los sistemas difusos mostrados en la figura 3.8 pueden ser usados como controladores
en lazo abierto o controladores en lazo cerrado (con retroalimentacin) mostrados en las
figuras 3.9 y 3.10.

Figura 3.9 Sistema difuso como controlador en lazo Cerrado.

3.8 Controladores Difusos

Los sistemas expertos de control difuso basados en reglas, conocido como

controladores difusos o FLC (Fuzzy Logic Controllers), son sin duda la aplicacin ms
extendida de la lgica difusa. De forma general, podemos observar un controlador en la
figura 3.10 [37].
 Figura 3.10 Control directo de un proceso o sistema.

Para poder controlar un proceso o sistema se emplea un mdulo controlador, que recibe
como entradas una o varias variables de control llamadas generalmente referencias o
__ __
seal deseada, , y una o varias variables de salida del propio proceso,
R S,
__
produciendo como salidas una o varias variables, que se conocen como actuadotes
A.
__ __
RS
Normalmente el objetivo del control es mantener . La estructura tpica de un

controlador basado en un sistema difuso puede verse en la figura 3.11.

Figura 3.11 Estructura de un controlador (el ncleo FLC es el controlador difuso).

Es de destacar que el control difuso, que es la principal aplicacin de los sistemas

difusos, aparte de ser un tema de investigacin, resulta muy importante desde el punto
de vista industrial, en cuyo campo existen desde hace tiempo infinidad de aplicaciones
para estos sistemas en funcionamiento.

La arquitectura del controlador a utilizar depende de la aplicacin concreta a llevar

acabo. No resulta fcil realizar una clasificacin genrica de todas las arquitecturas
posibles de controladores basados en lgica difusa, sin embargo, existen grandes grupos
dentro de los cuales podemos mencionar los controladores difusos directos sin
optimizacin y los controladores difusos directos con optimizacin, controladores
difusos hbridos en los cules se incluyen los formados por la combinacin de lgica
difusa con redes neuronales y sistemas expertos.
Actualmente, existe una gran cantidad de propuestas dentro de la combinacin de la
capacidad de aprendizaje de las redes neuronales y del procesamiento de informacin
imprecisa de la lgica difusa [19], adems, en el rea del control inteligente ([33] y
[39]), la lgica difusa se ha utilizado para resolver de forma exitosa una gran variedad de
problemas de diversa complejidad.
Las etapas de un sistema de control difuso son las siguientes:

La inferencia de entrada, es la que toma valores de la planta y los interpreta como

valores lingsticos.

La inferencia de salida, consiste en la conversin de datos lingsticos a datos

numricos, mediante una ponderacin y normalizacin de las sentencias lgicas
antecedentes.

La base de conocimiento, incluye los parmetros necesarios para la inferencia de

entrada y salida, los cuales pueden ser de naturaleza heurstica u optimizados
mediante alguna tcnica particular.

Bsicamente se puede ver al controlador difuso como un sistema experto que toma
decisiones y que opera en un sistema de lazo cerrado, compara la salida y (t ) del
sistema difuso con la entrada de referencia o seal deseada y(t) y entonces decide cual es
la entrada a la planta u(t) asegura la realizacin de los objetivos [39].

Cuando se utilizan controladores difusos en lazo cerrado, estos miden la salida de la

planta y toman acciones de control sobre el proceso continuamente, para tratar que la
salida de la planta y la entrada de referencia presenten el mnimo error. El objetivo al
utilizar sistemas difusos es poner el conocimiento humano dentro de los sistemas de
ingeniera de manera sistemtica, eficiente y de manera organizada [33].

Los sistemas difusos han sido empleados en una gran variedad de campos, tales como:
control de sistemas, procesamiento de seales, reconocimiento de patrones,
comunicaciones y sistemas de informacin, manufactura de circuitos integrados,
sistemas expertos, medicina. Sin embargo las aplicaciones ms significativas han sido
concentradas en los problemas de control, con el diseo e implementacin de
controladores difusos ([38] y [46]).

3.9 Diseo de un Sistema Difuso (Conocimiento Experto)

Los sistemas difusos utilizan el conocimiento humano para resolver problemas de

ingeniera, este conocimiento puede ser clasificado en dos categoras: conocimiento
consciente y conocimiento subconsciente. Por conocimiento conciente se entiende el
conocimiento que puede ser descrito, es decir, que puede ser expresado por palabras y
por conocimiento subconsciente se refiere a las situaciones donde el experto humano
conoce que hacer bajo ciertas situaciones sin embargo no sabe como expresarlo en
palabras ([5] y [7]). Para el conocimiento consciente, podemos preguntar simplemente al
experto humano que exprese en trminos de reglas difusas de la forma SIENTONCES
su conocimiento y experiencia sobre determinado problema y obtener reglas difusas y
ponerlas en la base de reglas del sistema difuso.

Si se Emplear el mtodo en la forma probabilstica para clasificar al sistema de

referencia, es haciendo uso de la funcin de distribucin (mtodo empleado en el
captulo VI) que describe la regin de operacin del sistema en anlisis, se definen
funciones o valores que estn dentro de esta funcin para caracterizar sus niveles de
operacin. Esto puede ser mediante la varianza de la funcin de distribucin en donde se
obtienen tres niveles: la varianza por debajo del valor medio representa el valor bajo, la
media el valor bajo y la varianza superior a la media su valor alto.

El mtodo de diseo de un controlador difuso mediante el conocimiento del experto

(tambin llamado prueba y error), puede resumirse en los siguientes tres pasos [7]:

Analizar el sistema real y elegir las variables de estado y las variables de

control

Las variables de estado representan las caractersticas del sistema. Las variables de
estado son las entradas al controlador difuso y la variable de control es la salida del
controlador difuso.

Derivar reglas difusas de la forma SI-ENTONCES que relacionan las

variables de estado con las variables de control

La formulacin de estas reglas est basada en el conocimiento y experiencia del experto

humano acerca del funcionamiento del sistema y las transforma en un conjunto de reglas
de la forma SI-ENTONCES.

Combinar estas reglas en un sistema difuso y probarlo con el sistema en lazo

cerrado
CAPITULO IV. PRINCIPIOS DE
ESTABILIDAD

4.1 Introduccin a la Estabilidad

En el lenguaje comn, la palabra estable (del latn stabilis) significa constante,

permanente. Como concepto fsico se introdujo en la mecnica, donde se utiliza aplicado
sobre todo a una posicin de equilibrio de una partcula, cuerpo o sistema mecnico. Tal
posicin de equilibrio se denomina estable si el cuerpo o sistema no retorna a esa
posicin original despus de moverlo o perturbarlo para separarlo ligeramente de la
misma, Como por ejemplo un cuerpo en forma de libro suficientemente delgado, tiene
una posicin ms estable si se coloca sobre la cubierta que si se para sobre el canto.
Esta conclusin se relaciona con el principio de Torricelli (aunque en realidad es anterior
a l), que nos dice tambin en sentido de la fsica que En todo sistema de cuerpos
slidos en equilibrio (estable) el centro de gravedad ocupa la posicin relativa ms baja
posible. Naturalmente el criterio anterior no se aplica si no existe puntos fijos; tal es el
caso de una bola que se desplace sobre una superficie plana horizontal como se observa
en la figura 4.1 [7].

Figura 4.1 Principio de Torricelli

Sin embargo, para una bola que se desplace sobre una superficie abaleada. Con puntos
de equilibrio, funciona una variante del principio de Torricelli, que puede enunciarse as:
si cualquier desplazamiento pequeo a partir de la posicin de equilibrio hace que el
centro de gravedad suba, el equilibrio es estable [46] como se observa en la figura 4.2

Figura 4.2 Variante del principio de Torricelli.

En estos ejemplos se puede observar que la nocin de estabilidad lleva implcita de
alguna manera la de desplazamiento o movimiento mecnico y, por lo tanto, es
esencialmente dinmica.

Figura 4.3 Figura del Pndulo de muelle.

Los conceptos y los criterios de estabilidad sealados, aunque fructferos en muchas

situaciones, resultaron inadecuados o insuficientes en otras. Es muy importante en el
trabajo de Lyapunov la propia definicin de estabilidad, que se introduce por primera
vez con rigor matemtico, y que es mucho ms amplia que el concepto que se utilizaba
en mecnica; no se refiere ya al movimiento de un cuerpo, sino en general, a una
ecuacin diferencial. Adems no se trata de la estabilidad de un equilibrio sino la de
cualquier parte de la ecuacin (Los puntos de equilibrio o estacionarios de la ecuacin
son soluciones particulares de la misma, y representan los puntos de equilibrio fsico del
cuerpo cuyo movimiento se describe)[33].

Otro trabajo importante sobre la estabilidad y de gran utilidad es el criterio que fue
encontrado por el ingeniero ingls A. Hurwitz mientras buscaba condiciones para la
estabilidad de una mquina de vapor, cuya velocidad de rotacin se regula mediante un
pndulo centrfugo. (Este tipo de control del pndulo se emplea con frecuencia en la
actualidad en muchas industrias)[5].

Este criterio es un mtodo algebraico que proporciona informacin sobre la estabilidad

absoluta de un sistema lineal e invariante con el tiempo que tiene una ecuacin
caracterstica con coeficientes constantes. El criterio prueba si cualquiera de las races de
la ecuacin caracterstica est semiplano derecho del plano s, Tambin indica el
nmero de races que esta sobre el eje jw y el semiplano derecho del plano s.
Tambin existen otros criterios y teoremas que nos ayudan al anlisis de la estabilidad en
un sistema de control, pero para escoger que teorema es el ms adecuado primero se
debe de analizar los tipos y grados de sta. Que continuacin se clasifican [36] y [46]:
Tipos:

Estable (entrada acotada/salida acotada y entrada cero estabilidad asinttica)

Marginalmente estable.
Inestable.

Grados:

Estabilidad absoluta.
Estabilidad relativa.

Para el anlisis de la estabilidad se tienen las siguientes herramientas, que entre otras nos
dan una serie de opciones diferentes para el estudio de esta como, lo es el criterio de
Nyquist, el criterio de Routh-Hurwitz, Diagramas de Bode, Diagrama de Nichols, etc.,
que en la estructura de este capitulo alguno de estos se mencionaran.

Definicin 4.1.- (Sistema estable) Se dice que un sistema es estable entrada-

acotada/salida-acotada, si para condiciones iniciales nulas (respuesta a estado cero),
su salida es acotada para una entrada acotada [7].

Definicin 4.2.- (Sistema asintticamente estable) Si la respuesta a entrada nula,

sujeta a condiciones iniciales finitas, alcanza el cero cuando t tiende a infinito, se dice
que el sistema es estable a entrada cero (o asintticamente estable) [7].

Afortunadamente, en sistemas lineales e invariantes en el tiempo, ambas definiciones

necesitan del mismo requisito, ste es que todas las races del polinomio caracterstico
de la funcin de transferencia del sistema tengan parte real negativa. Por esta razn los
sistemas que cumplen con esta condicin son conocidos simplemente como estables.

Definicin 4.3.- (Sistema marginalmente estable) Un sistema es marginalmente

estable si no hay races del polinomio caracterstico en el Semiplano Derecho y a lo
ms hay races simples sobre el eje imaginario [37].

Definicin 4.4.- (Sistema inestable) Un sistema es inestable si por lo menos hay una
raz simple de la ecuacin caracterstica del sistema en el Semiplano Derecho, o una
raz doble sobre el eje imaginario [37].

4.2 Criterio de Nyquist

El criterio de Nyquist relaciona la estabilidad de un sistema a lazo-cerrado con la

repuesta a la frecuencia a lazo-abierto y la localizacin de polos a lazo-abierto. Es decir
tener informacin sobre la respuesta a la frecuencia a lazo-abierto nos proporcin
informacin acerca de la estabilidad del sistema a lazo-cerrado. Para entender
correctamente el criterio de estabilidad de Nyquist es muy importante tener muy claros
los siguientes puntos [5] y [20]:

La relacin que existe entre los polos de la ecuacin caracterstica 1 G ( s) H ( s )

y los polos de la ecuacin para lazo-abierto G ( s ) H ( s ) .

La relacin que existe entre los ceros de la ecuacin caracterstica 1 G ( s) H ( s )

G ( s)
y los polos a lazo-cerrado de la funcin de transferencia T ( s ) .
1 G(s) H (s)
El concepto de mapeo de puntos.

Concepto de mapeo de contornos. Mapear un contorno A, a travs de una funcin

F (s ) en un contorno B.

Para el mapeo de contornos es importante notar que si se asume el mapeo a favor de las
manecillas de reloj para mapear los puntos de contorno A (plano-s), entonces el mapeo
del contorno B mapea tambin a favor de las manecillas del reloj si la funcin F(s) tiene
solo ceros, y en contra de las manecillas del reloj si la funcin F(s) tiene solamente
polos. Tambin que si el polo o cero de la funcin F(s) es envuelto por el contorno A, el
mapeo circulara el origen [7] y [36].

Este criterio plantea que existe una relacin nica entre el nmero de polos de F(s)
contenidos dentro del contorno A, el nmero de ceros de F(s) dentro de contorno A y el
nmero de encierros del origen en contra de las manecillas del reloj durante el mapeo del
contorno B. Esta relacin se puede usar para determinar la estabilidad de un sistema a
lazo cerrado.

Si el contorno A, que encierra completamente el semiplano complejo es mapeado a

travs de G ( s ) H ( s ) , entonces el numero de polos de lazo cerrado (Z), en el semiplano
complejo derecho, iguala al numero de polos de lazo abierto (P), que esta en el
semiplano complejo derecho menos el numero de encierros en contra de las manecillas
del reloj (N), alrededor de -1en el mapeo; esto es Z P N . El mapeo se conoce como
diagrama de Nyquist de G ( s ) H ( s ) .

El Criterio de Nyquist permite (entre otros) definir otro margen de estabilidad que
complementa al margen de ganancia.

Este criterio establece Un sistema realimentado es estable si y slo si el contorno en el

plano l(s) no encierra el punto (-1, 0) cuando el nmero de polos de l(s) en el Semiplano
Derecho del plano s es cero. Un sistema realimentado es estable si y slo si el
contorno en el plano l(s) encierra el punto (-1, 0) en sentido anti-horario un nmero de
veces igual al nmero de polos de l(s) con parte real positiva [33].
Resumiendo a ambas definiciones se tiene Un sistema de lazo cerrado es estable si el
de lazo abierto lo es y si el diagrama de respuestas de frecuencias queda a la derecha
del punto (-1,0). Observndose lo antes mencionado en la figura 4.4

Figura 4.4 Representacin de la respuesta en frecuencia en el sentido del criterio de Nyquist.

4.3 Criterio de Routh-Hurwitz

El criterio de Routh-Hurwitz representa un mtodo para determinar la localizacin de los

ceros de un polinomio con coeficientes reales con respecto a los semiplanos izquierdo y
derecho del plano s, sin obtener los ceros. Debido a que los programas para computadora
para encontrar races pueden resolver los ceros de un polinomio con facilidad, el valor
del criterio de Routh-Hurwitz esta limitado a ecuaciones con por lo menos un parmetro
desconocido [1].

Considere que la ecuacin caracterstica de un sistema lineal SISO e invariante con el

tiempo es de la forma de:

F s a n s n a n 1 s n 1 ..... a1 s a0 0 . (4.1)

En donde todos los coeficientes son reales. Para que la ecuacin (4.1) no tenga races
con partes reales positivas, es necesario y suficiente para que las condiciones se
cumplan [1]:

Todos los coeficientes de la ecuacin tiene el mismo signo.

Ninguno de los coeficientes es igual a cero.

Las condiciones antes mencionadas estn basadas en las leyes de algebra, que relacionan
los coeficientes de la ecuacin (4.1) como sigue:
 a n 1
todas las raices . (4.2)
an

a n2
productos de las raices tomando dos a la vez. (4.3)
an
a n 3
productos de las raices tomando tres a la vez . (4.4)
an
.
.
.
a0
1 productos de todas las races.
n
(4.5)
an

Por lo que todas estas relaciones deben ser positivas y no cero a menos que una de las
races tenga una parte real positiva. Las dos condiciones necesarias para que la ecuacin
(4.1) no tenga races en el semiplano derecho del plano s, se pueden verificar fcilmente
mediante la inspeccin de la ecuacin. Sin embargo, estas condiciones no son
suficientes, ya que es posible que una ecuacin con todos sus coeficientes distintos de
cero y del mismo signo pueda no tener todas las races en el semiplano izquierdo del
plano s.

4.3.1 Desarrollo del Criterio de Routh-Hurwitz

El criterio de Routh-Hurwitz esta basado en el criterio de Hurwitz, que se enuncia como

sigue: la condicin necesaria y suficiente para que todas las races de la ecuacin (4.1)
estn en el semiplano izquierdo del plano s es que los determinantes de Hurwitz de la
ecuacin Dk , k 1, n, sean todos positivos [20].

Los determinantes de Hurwitz de la ecuacin (4.1) estn dados por:

a n 1 a n 3
D1 an 1 D2
an an2
a n 1 a n 3 a n 5 0
a n 1 a n 3 a n 5 an an2 an4 0
(4.6)
D3 a n a n2 an4 . . . Dn 0 a n 1 a n 3 0 .
0 a n 1 a n 3
0 0 0 a0
En donde los coeficientes con ndices mayores que n o negativos deben reemplazarse
con ceros. A primera vista, la aplicacin de los determinantes de Hurwitz puede parecer
demasiado pesada para la ecuacin de orden superior, debido a la cantidad de trabajo
involucrado en la evaluacin de los determinantes de la ecuacin (4.6).
Afortunadamente, Routh simplifico el proceso introduciendo un mtodo de tabulacin
en lugar de los determinantes de Hurwitz [20].

4.3.2 Tabulacin de Routh

El primer paso en la simplificacin del criterio de Hurwitz, ahora llamado el criterio de

Routh Hurwitz, es arreglar los coeficientes de la ecuacin en la ecuacin (4.1) en dos
renglones. El primer rengln consiste del primero, tercero, quinto,, coeficientes, y el
segundo consiste del segundo, cuarto, sexto,, coeficientes, todos contados desde el
trmino de orden ms alto, como se muestra en la siguiente tabulacin [20]:

an an 2 an 4 an 6
(4.7)
an 1 an 3 an 5 an 7

El siguiente paso es formar el siguiente arreglo de nmeros mediante las operaciones

indicadas, ilustradas aqu para una ecuacin de sexto orden:

a 6 s 6 a5 s 5 a 4 s 4 a3 s 3 a 2 s 2 a1 s a 0 0 . (4.8)

s6 a6 a4 a2 a0
5
s a5 a3 a1 0
a5 a 4 a 6 a 3 a5 a2 a6 a1 a5 a 0 a 6 0
s4 A B a0 0
a5 a5 a5
Aa3 a5 B Aa1 a5 a0 A 0 a5 0
s3 C D 0 0
A A A (4.9)
BC AD Ca0 A 0 C 0 A 0
s2 E a0 0 0
C C C
ED Ca0
s1 F 0 0 0
E
Fa0 E 0
s0 a0 0 0 0
F
El arreglo anterior se conoce como tabulacin de Routh o arreglo de Routh. La
columna de eses en el lado izquierdo se utiliza para propsitos de identificacin. La
columna de referencia mantiene el rastro de los clculos, y el ltimo rengln de la
tabulacin de Routh debe ser siempre el rengln s 0 [20].
Una vez que la tabulacin de Routh se ha completado, el ltimo paso en la aplicacin del
criterio es investigar los signos de los coeficientes de la primera columna de la
tabulacin, que contiene informacin sobre las races de la ecuacin. Se hacen las
siguientes conclusiones:

las races de la ecuacin estn todas en el semiplano izquierdo del plano s si todos los
elementos de la primera columna de la tabulacin de Routh son del mismo signo. El
nmero de cambios de signo en los elementos de la primera columna es igual al nmero
de races con partes reales positivas o en el semiplano derecho del plano s [20].

La razn para la conclusin anterior es simple, basada en los requerimientos de los

determinantes de Hurwitz. Las relaciones entre los elementos en la primera columna de
la tabulacin de Routh y los determinantes de Hurwitz son:

s6 a5 a6
s 5
a 5 D1
D
s4 A 2
D1
D
s3 C 3
D2
(4.10)
D
s 2
E 4
D3
D
s1 F 5
D4
D
s0 a0 6
D5

Por tanto, si todos los determinantes de Hurwitz son positivos, los elementos en la
primera columna de la tabulacin de Routh debern ser del mismo signo.

4.4 Estabilidad de Liapunov

Como se observo los criterios antes mencionados son para sistemas lineales e invariantes
con el tiempo, pero si estos se quisieran aplicar en sistemas no lineales o lineales pero
variantes con el tiempo no se podran [7].

El mtodo directo de Liapunov es el mtodo ms general para la determinacin de los

sistemas no lineales y/o variantes con el tiempo.

4.4.1 Mtodo Directo de Liapunov

El sistema que se considera se define mediante

x f ( x, t ) (4.11)

En donde x es el vector de estado de dimensin n y f ( x, t ) es un vector de dimensin

n cuyos elementos son funciones de x1 , x 2 ,..., x n y t. Suponemos que el sistema de la
ecuacin (4.11) tiene una solucin nica que empieza en la condicin inicial dada
representndose como (t ; x 0 , t 0 ) , en donde x x0 en t t 0 y t es el tiempo observado.
Por tanto,

(t 0 ; x 0 , t 0 ) x 0 (4.12)

En el sistema de la ecuacin (4.11), un estado de equilibrio x e en el que:

f ( xe , t ) 0 t (4.13)

Se denomina estado de equilibrio del sistema. Si el sistema es lineal e invariante con el

tiempo, es decir, si f ( x, t ) Ax , entonces solo existe un estado de equilibrio si A es no
singular, y existe infinitamente muchos estados de equilibrio A es singular. Para los
sistemas no lineales, pueden existir una o ms estados de equilibrio. Estos estados
corresponden a las soluciones constantes del sistema ( x xe t ). La determinacin
de los estados de equilibrio no involucra la solucin de las ecuaciones diferenciales del
sistema ecuacin (4.11), si no la solucin de la ecuacin (4.13).

Representando una regin esfrica con radio k a partir de un estado de equilibro xe

como
 x xe k (4.14)

En donde x xe se denomina a norma euclidiana, y se define mediante

1
x xe x1 x1e x 2 x2e xn xne (4.15)
2 2 2 2

Suponiendo que S esta formada por todos los puntos tales que

x0 xe (4.16)

Tambin suponiendo que S esta formada por todos los puntos tales que

(t ; x0 , t 0 xe ) t t 0 (4.17)

Se dice que un estado de equilibrio xe del sistema de la ecuacin (4.11) es estable en el

sentido de Liapunov si, en correspondencia con cada S , existe una S tal que las
trayectorias que empiezan en S no se alejan de S conforme t se incrementa
indefinidamente.
CAPITULO V. ANLISIS DE ESTABILIDAD
EN UN SISTEMA DIFUSO LINEAL

5.1 Introduccin

Dentro del rea de la inteligencia artificial, se ha desarrollado la lgica difusa como una
herramienta que permite dar una respuesta cuantitativa a sistemas reales. En ella se
parta de la idea de que todas sus respuestas tenan que ser estables. Pero sin expresar en
qu sentido, ni cmo lograr esa estabilidad. Trabajos recientes han desarrollado el
anlisis de estabilidad para estos sistemas de control, pero con el problema de que estos
desarrollos lo describen de forma puntual y no en intervalos como lo hace la lgica
difusa. Afortunadamente una dcada despus de que Zadeh describiera a la lgica difusa,
Kharitonov en el ao de 1978 describi una tcnica para observar de forma robusta a un
sistema de control empleando cuatro polinomios.

De acuerdo con dichos polinomios es posible tener el enfoque difuso (en niveles o
rangos) al anlisis de la estabilidad y ayudados por el criterio de Routh-Hurwitz [20] se
establece dicha estabilidad para los sistemas de control difuso lineales.

5.2 Desarrollo del Mtodo de Kharitonov

Dado un sistema de control como el descrito en la ecuacin 3.4 y tomando su ecuacin

caracterstica, tenemos el siguiente polinomio:

U(s) a n s n a n 1s n -1 a n 2 s n -2 ..... a 0 s con n Z # n 0 . (5.1)

5.2.1 Descomposicin del Polinomio en Par e Impar

Resulta evidente que el polinomio descrito en 5.1 se puede escribir en dos polinomios de
tal forma que se obtiene la siguiente ecuacin:

U(s) U Par (s) U Impar (s) . (5.2)

Separando los componentes en su forma par e impar se tiene las siguientes ecuaciones:

a i ( pares ) polinomio par. (5.3)

Ahora se tiene la ecuacin (5.5)

a i ( impares ) polinomio impar . (5.4)

A partir de la ecuacin 5.1 y 5.3 se obtienen los siguientes polinomios:

U(s) par a0 a2s 2 a4s 4 . (5.5)

U(s)impar a1s a3s 3 a5s 5 . (5.6)

5.2.2 Coeficientes en Intervalos

Ahora en cada coeficiente de la ecuacin se toma de la forma en que lo hace la lgica

difusa, donde se establece que tiene valores imprecisos, a menudo se deben de describir
de forma que cada valor tiene un grado de incertidumbre y que se encuentran acotados
dentro de intervalos, teniendo as polinomios con coeficientes que estn dentro de
intervalos [37].

Los coeficientes de la ecuacin (5.1) se pueden describir como:

an a n , an , n Z . (5.7)

Donde an y an denotan los lmites de los intervalos de cada funcin de membresa,

todo esto con el enfoque difuso que describen al controlador, observndose estos lmites
en la Figura 5.1:

Figura 5.1 Funcin de membresa que describe a los mximos y mnimos de cada coeficiente.
Mientras que a n es el valor nominal de cada intervalo an , an , siendo igual a la unidad
(valor mximo de una funcin de membresa como puede verse en la Figura 5.1.).

Teniendo as una expresin de la ecuacin caracterstica (5.1) en forma difusa descrita en

un sentido robusto por la siguiente expresin:

U(s) an , an s n an 1 , an 1 s n -1 an 2 , an 2 s n - 2 a0 , a0 . (5.8)

5.2.3 Construccin de los Polinomios de Kharitonov

Una vez teniendo descrito todos los puntos anteriores, podemos desarrollar los
siguientes cuatro polinomios a partir de las ecuaciones (5.5), (5.6) y (5.7), teniendo los
siguientes polinomios en el sentido de Kharitonov con el enfoque difuso necesario:

U(s)1 a0 a2s 2 a4s 4 . (5.9)

U(s) 2 a0 a2s 2 a4s 4 . (5.10)

U(s)3 a1s a3s3 a5s 5 . (5.11)

U(s) 4 a1s a3s3 a5s5 . (5.12)

Una vez construidos estos cuatro polinomios (5.9 a 5.12), se construyen ahora los cuatro
polinomios de Kharitonov (que describen la estabilidad del sistema difuso) dados por:

U1,3 (s) U(s)1 U ( s)3 a0 a1s a2s 2 a3s3 a4s 4 a5s5 . (5.13)

U1,4 (s) U(s)1 U ( s ) 4 a0 a1s a2s 2 a3s3 a4s 4 a5s5 . (5.14)

U 2,3 (s) U(s) 2 U ( s )3 a0 a1s a2s 2 a3s 3 a4s 4 a5s 5 . (5.15)

U 2,4 (s) U(s) 2 U ( s ) 4 a0 a1s a2s 2 a3s 3 a4s 4 a5s 5 . (5.16)

Estos cuatro polinomios, son de a cuerdo con Kharitonov, los polinomios que acotan al
sistema o planta dentro del plano S, y si ellos son Hurwitz (ver Anexo A), entonces (5.8)
es Hurwitz y por lo tanto el sistema es estable.
5.2.4 Aplicacin del Criterio de Routh-Hurwitz

Teniendo las expresiones (5.13 a 5.16), considerndolas acotadas hasta un 5 to grado,

cuyos coeficientes son los lmites de las funciones de membresa tal y como se describe
en la teora de lgica difusa, como puede ilustrarse en la Figura 5.1; es necesario
observar que cada uno de estos polinomios cumple el criterio de Rout-Hurwitz [20], ya
que tienen la forma expresada en (4.8) y ayudados por la tabulacin (4.9), se tiene:

Para la ecuacin (5.13):

a5 a3 a5 a1
det det
a4 a2 a4 a0
b1 b2
s5 a5 a3 a1 a4 a4
s4 a4 a2 a0 a a2 a a0
det 4 det 4 (5.17)
s3 b1 b2 0 b1 b2 b1 b3
c1 c2
s2 c1 c2 0 b1 b1
s d1 0 0 b1 b2 c1 c2
det det
s0 e1 0 0 c1 c2 d1 d 2
d1 e1
c1 d1

Ahora para el segundo polinomio (5.14):

a5 a3 a5 a1
det det
a4 a2 a4 a0
5
b1 b2
s a5 a3 a1 a4 a4
s 4 a4 a2 a0 a4 a2 a a0
3
det det 4 (5.18)
s b1 b2 0 b1 b2 b1 b3
c1 c2
s 2 c1 c2 0 b1 b1
s d1 0 0 b b c c2
det 1 2 det 1
s 0 e1 0 0 c1 c 2 d1 d 2
d1 e1
c1 d1

Ahora para el tercer polinomio (5.15):

 a5 a3 a5 a1
det det
a4 a2 a4 a0
b1 b2
s5 a5 a3 a1 a4 a4
s4 a4 a2 a0 a a2 a a0
det 4 det 4
s3 b1 b2 0 b1 b2 b1 b3 (5.19)
c1 c2
s2 c1 c2 0 b1 b1
s d1 0 0 b1 b2 c1 c 2
det det
s0 e1 0 0 c1 c 2 d1 d 2
d1 e1
c1 d1

Ahora para el cuarto polinomio (5.16):

a5 a3 a5 a1
det det
a4 a2 a4 a0
b1 b2
s 5 a5 a3 a1 a4 a4
s 4 a4 a2 a0 a a2 a a0
det 4 det 4 (5.20)
s 3 b1 b2 0 b1 b2 b1 b3
c1 c2
s 2 c1 c2 0 b1 b1
s d1 0 0 b b c c2
det 1 2 det 1
s 0 e1 0 0 c1 c 2 d1 d 2
d1 e1
c1 d1

Este resultado propone una modificacin en los coeficientes de la ecuacin caracterstica

obtenida y no en la estructura matemtica del sistema, ya que con el control difuso se
obtiene una expresin matemtica descrita por intervalos, por lo cual no ser posible
analizar de la forma clsica empleando este criterio de manera dinmica al observar los
cambios entre estados; porque se tendran que analizar todas las combinaciones posibles
que hay de coeficientes dentro de sus intervalos descritos.

La teora de Kharitonov ayuda a establecer este anlisis tan solo para cuatro polinomios
(en los que se considera los lmites mximos y mnimos para cada intervalo), que son
suficientes para poder describir la estabilidad en todas las posibles combinaciones del
polinomio que se puedan dar. De forma tal que del conjunto de coeficientes que estn
acotados en (5.8), y la descripcin tanto para sus lmites superiores como inferiores, se
obtienen los cuatro polinomios que describen a un sistema difuso por sus fronteras y
tomando en cuenta el criterio de Routh-Hurwitz en cada polinomio obtenido, es obtenida
la estabilidad en un sentido robusto para el conjunto de incertidumbres descritas en (5.8).

La regin que describe este anlisis est formada por los cuatro polinomios, los cuales
describen los vrtices de un rectngulo de acuerdo con Dasgupta [Anexo A]. Esta regin
describe la estabilidad en un sistema y se puede describir de dos formas: a) como una
regin en el semiplano izquierdo S para el criterio de Routh-Hurwitz en sistemas
continuos; y b) para sistemas discretos, que es representada dentro de un crculo unitario
en el plano Z, esto se puede ver en la ilustracin de la figura 5.2.

Figura 5.2.Graficas que representan las regiones de estabilidad.

5.3 Anlisis de Estabilidad para Sistemas de Control Difuso

Para observar el anlisis descrito en este capitulo aplicado a un sistema difuso en el

sentido de Kharitonov, se realizaran 3 ejemplos de aplicacin.

Ejemplo 1. Se considera el sistema descrito, expresado con la siguiente funcin:

K
G ( s)

J * L s J * R L * b s b * R K 2 .
2 (5.21)

Donde J, b, K, R, y L. son parmetros internos del sistema. Este sistema se puede

observar en la Figura (5.3).
 Figura 5.3. Diagrama del sistema en lazo-abierto.

El sistema que se describi anteriormente fue simulado utilizando el programa de

simulacin Matlab , generando una entrada de un pulso unitario, cuya respuesta se
observa en la Figura (5.4).

El error que existe entre la seal deseada (cuyo valor es igual a 1) y la respuesta de la
planta (con valor de 0.1 unidades), es considerado alto, ya que estos valores deben ser lo
ms cercanos posibles; para lo cual es necesario disminuir el error de diferencia entre
ellos, considerando para ello el uso de un controlador PID.

Figura 5.4. Respuesta del sistema en lazo-abierto.

Ahora si se aplica un control PID difuso al sistema en lazo-cerrado se ver

simblicamente como se muestra en la Figura (5.5):

Figura 5.5. Diagrama del sistema en lazo-cerrado.

Donde se observa el controlador difuso con la siguiente estructura (ver la Figura (5.6)),
que describe cada una de las ganancias en forma difusa, construyendo su base de reglas
que junto con las funciones de pertenencia se construye la base de conocimiento, que
construye a este tipo de control, y que es conocido como control difuso por
conocimiento del experto.
 Figura 5.6. Diagrama del sistema con el control difuso.

La funcin de transferencia que se obtiene de nuestro sistema de control difuso visto

ilustrativamente en la figura (5.6) y ayudado por el software de Matlab , se obtiene la
ecuacin (5.22), descrita de la siguiente manera:

F .T .
.5 .05 s 2 1.9 .9 s 2.15 .95
. (5.22)
.006 .005 s 3 .56 .11 s 2 2 1 s 2.15 .95

Donde los coeficientes de (5.22) denotan los lmites de los intervalos de cada funcin de
membresa. Tomando la ecuacin caracterstica de la F.T. de (5.22) y aplicando el
anlisis descrito en este captulo, se analizara si el sistema con el control implementado
es estable en un sentido robusto.

Tomando la ecuacin caracterstica de nuestra F.T. se tiene el siguiente polinomio:

.006 .005 s 3 .56 .11 s 2 2 1 s 2.15 .95 0 . (5.23)

Para su forma par se hace cero los coeficientes impares de la siguiente forma:

.006 .005 s 3 2 1 s 0 . (5.24)

Quedndonos el polinomio par:

.56 .11 s 2 2.15 .95 . (5.25)

Ahora hacemos lo mismo para la parte impar haciendo cero a la parte par se tiene:
 .56 .11 s 2 2.15 .95 0 . (5.26)

La parte impar queda de la forma:

.006 .005 s 3 2 1 s . (5.27)

Para nuestro caso las ecuaciones que nos interesan son la (5.25) y (5.27); a partir de
estas se forman cuatro polinomios con sus puntos mximos y mnimos de sus intervalos
en sus coeficientes, donde cada uno de estos representa un vrtice de la regin estable:

U ( s )1 .95 .56 s 2 . (5.28)

U ( s ) 2 2.15 .11s 2 . (5.29)

U ( s ) 3 s 0.006 s 3 . (5.30)

U ( s ) 4 2 s 0.005s 3 . (5.31)

En base a los cuales se construyen los cuatro polinomios de Kharitonov ayudados de las
ecuaciones (5.13) a (5.16):

U 1,3 ( s) .95 s .56 s 2 0.006 s 3 . (5.31)

U 1, 4 ( s ) .95 2 s .56 s 2 0.005s 3 . (5.32)

U 2, 3 ( s ) 2.15 s .11s 2 0.006 s 3 . (5.33)

U 2, 4 ( s) 2.15 2 s .11s 2 0.005s 3 . (5.34)

Estos cuatro polinomios describen un politopo (que es una regin en forma de polgono
o poliedro) en el cual quedan envueltos todos los posibles coeficientes que nos describen
para el sistema (5.22).

Ahora a cada polinomio descrito de (5.31) a (5.34) se le aplica el criterio de Routh-

Hurwitz para encontrar su estabilidad y as la del sistema de control difuso descrito en
(5.22):

Del primer polinomio se aplica lo siguiente:

 s 3 .006 1
s 2 .56 .95
1 (5.35)
s .98 0
s 0 .95 0

Para el polinomio en (5.35) no existe cambio de signo en la columna pivote de la matriz,

por lo cual es Hurwitz, ahora para el siguiente polinomio tenemos:

s 3 .005 2
s 2 .56 .95
1 (5.36)
s 1.99 0
s 0 .95 0

Como se observa tambin este polinomio es Hurwitz, para el siguiente polinomio se

tiene:

s 3 .006 1
s 2 .11 2.15
(5.37)
s1 .88 0
s 0 2.15 0
El tercer polinomio es Hurwitz. Ahora para el cuarto y ltimo polinomio se tiene:

s 3 .005 2
s 2 .11 2.15
1 (5.38)
s 1.90 0
s 0 2.15 0

El cuarto polinomio tambin resulta ser Hurwitz; Dado esto y basndonos en lo

estipulado por Kharitonov resulta evidente que el sistema de control difuso es estable,
pero en un sentido robusto.
CAPITULO VI. FILTRADO DIGITAL
DIFUSO
6.1 Introduccin

En los ltimos 30 aos se han aportado contribuciones significativas en el campo de

procesamiento de seales. Los avances en el diseo de circuitos digitales han sido la
clave tecnolgica de desarrollo que ha trado gran inters en esta rea del conocimiento.

En la actualidad existen diversos tipos de aplicaciones en donde se requieren tecnologas

dinmicas que puedan responder de acuerdo a la evolucin natural de su funcionamiento
como son: las seales biolgicas en medicina, los sistemas de informacin, las
comunicaciones, inteligencia artificial, sistemas espaciales, control y automatizacin,
entre otras [19].

Actualmente la tecnologa de filtrado digital est encaminada al procesamiento de

seales diversas en forma de tareas, cada ves requiriendo mayor eficiencia y capacidad
de integrarse a diferentes sistemas, para ofrecer funciones y servicios de mayor alcance
y flexibilidad, buscando que puedan ser implementados en procesos cada vez ms
complejos y a diversas escalas, en donde se pueda tener una interaccin de tipo hibrida
entre sistemas a travs de un mecanismo de inferencia en el proceso de filtrado de tipo
adaptivo, que tenga la capacidad de interpretar cada accin de un proceso de referencia y
ofrecer una respuesta adecuada para retroalimentar al mismo, realizando los ajustes
necesarios en sus parmetros para llevarlo a una regin de operacin indicada; donde es
posible aportar mayor dinamismo en el funcionamiento de los mismos al poderse
adaptar en cada espacio de tiempo a los diversos medios fsicos que varan de forma
continua y a sus condiciones cambiantes (climticas, geogrficas, horas pico,
contingencia) con las que interactan, para poder as responder de acuerdo a ellos, en
tiempo real y que estn de acuerdo con las caractersticas de operacin adecuada a cada
instante temporal acotndolas en una regin [8].

Los filtros digitales en general deben estar diseados de acuerdo a un punto de equilibrio
que corresponda a una regin de estabilidad, para que pueda dar una respuesta apropiada
basada en la dinmica y entorno del sistema de referencia con el que se encuentra
interactuando [13] y [15].

La seal que recibe un filtro digital desde un sistema de referencia debe ser emitida en
base a la informacin que se percibe acerca de las condiciones del medio fsico
empleando sensores o actuadores y de acuerdo con ella simplemente debe adaptarse
dinmicamente a los cambios del entorno. Los sensores operan por efectos de la luz,
calor, presin, radar y otras formas de energa.
Si los parmetros de un sistema cambian, el filtro estar estimando estos cambios y
retroalimentndolos para que la respuesta est actualizada, teniendo la certeza de que los
parmetros estimados sern equivalentes con los actuales a lo largo del tiempo en un
sentido de probabilidad, esto es realizado con el empleo de filtros adaptivos [13, 15].
6.2 Que es un filtro digital?

Un filtro digital es un dispositivo de software o hardware que puede ser empleado en un

sistema para: Eliminar los errores de respuesta, Extraer informacin especfica,
Predecir su comportamiento futuro o Reconstruir algunos de sus estados anteriores [17]
y [18].

Los principales expositores de esta rea del conocimiento son Haykin y Gustafsson, los
cuales consideran que un filtro digital puede ser programado en algn software de
computadora o en un chip electrnico (DSP FPGA), pero que son algoritmos o un
grupo de reglas que estn encaminadas a extraer alguna propiedad del sistema en anlisis
[17] y [18].

6.2.1 Qu es un filtro digital adaptivo?

De acuerdo con Haykin, es un filtro realimentado, que ajusta su nivel de ganancia

expresada como a(k) de acuerdo a una funcin objetivo en relacin a la dinmica del
sistema en anlisis y llevndolo a una regin de operacin deseada expresada como J(k).

Esto significa que el filtro digital se va adaptando dinmicamente a las propiedades que
tiene el sistema con el que interacta en un entorno dinmico [2] y [5].

Respecto de los filtros digitales tradicionales, esta clase de filtros, permite obtener un
ahorro significativo en su operacin ya que a travs de sus algoritmos que se ajusta de
forma automtica, se logra casi su completa autonoma de operacin, permitiendo al
usuario final tener informacin verdica y a tiempo respecto del sistema en anlisis.

En relacin con la naturaleza, sus acciones han sido limitadas, ya que no cuentan con un
lenguaje natural de descripcin que les permita dar una respuesta aceptable por el
usuario final. Para ello se desarrollaron los filtros difusos, los cuales consideran estas
limitaciones de los filtros adaptivos, para ser en ellos su principal propiedad [17] y [18].

6.3 Filtro Difuso

Es un filtro digital de tipo adaptivo que utiliza la lgica difusa en el error de

convergencia, respecto de la diferencia salida del modelo de filtrado y una seal de
referencia en la entrada, al ser retroalimentado por medio de la convolucin [17] y [18].
Una de las principales caractersticas de un filtro digital difuso a diferencia de un filtro
convencional es que ste puede clasificar la dinmica de un sistema de referencia, para
que el filtro pueda ofrecer una serie de respuestas a diferentes niveles, y de esta forma
tener una interaccin que est de acuerdo a las condiciones cambiantes del medio
ambiente que lo rodea, a travs del tiempo [11], [13], [41] y [45].

Un filtro difuso presenta las siguientes caractersticas de funcionamiento:

a) Interaccin dinmica con un modelo de referencia por medio de la realimentacin,

b) Propiedades estadsticas para caracterizar su funcionamiento,
c) Mecanismo de inferencia para interpretar sus niveles de operacin, seleccionar las
ganancias del filtro y determinar su respuesta,
d) Base de conocimiento para elegir la mejor ganancia y emitir una respuesta deseada
(formada por el conjunto de funciones de membresa que quedan acotadas por la
estabilidad del modelo considerado),
e) Filtrado para describir las dinmicas internas y externas del modelo de referencia,
f) Salida del filtro que converge a una seal de referencia y que es adaptable a las
condiciones cambiantes de su entorno.

En todo el proceso de filtrado se contemplan las condiciones de tiempo antes de que

cambie a otro estado y dar una respuesta respecto del modelo de referencia dentro del
tiempo especificado, incluyendo en ello su retroalimentacin [7], [16] y [53].

6.4 Descripcin del Filtrado Difuso

Un sistema de filtrado difuso funciona en lazo cerrado, de esta forma el filtro va

adaptando el conjunto de parmetros de manera dinmica (ver: [2], [18], [22] y [45]).
Comnmente, el criterio de adaptacin est basado en el error de la seal e( k ) 0,1
([18] y [22]) optimizando la velocidad en que es obtenida la estimacin de la seal
deseada. El error e(k ) , est definido como la diferencia que existe entre las respuestas
deseadas del proceso (que pueden ser descritas como: y ( k ) R ) y la seal identificada
y ( k ) R ([18], [22] y [45]) que es generada por medio de un esquema de
identificacin* .

El criterio de adaptacin (utilizando el concepto de lazo cerrado [45]) previamente

seleccionado, es el primer elemento requerido para establecer la funcin de membresa,
en donde se busca la seal identificada y (k ) que ms se aproxima a la seal deseada
y (k ) , ajustando los parmetros del filtro dinmicamente en relacin con la base del
conocimiento, tal que el valor del error e(k ) tiene una convergencia cercana a un
crculo con radio >0 , previamente definido [37], que es una vecindad acotada respecto
del valor real.

*
La diferencia que hay entre el estimador y el identificador es que el primero describe la evolucin de los parmetros, y el segundo
describe el estado de la velocidad [37].
De forma conceptual, cada funcin de membresa se encuentra dentro de la funcin de
distribucin que describe al error e(k ) . Es decir, la mejor aproximacin que existe
entre la funcin de membresa con respecto a la funcin de distribucin en el sentido de
Borel, es la forma triangular [4], [32], [48] y [60].

En general, el filtro difuso de acuerdo a los conceptos estudiados en [1], [2], [17], [18],
[22], [24], [28], [34], [35], [37], [41] y [44] contienen los siguientes elementos:

1. Inferencia de entrada: la respuesta natural o lingstica del proceso de referencia es

la entrada del filtro [31], la cual es transformada en un sentido mtrico [4] y [48].

2. Reglas base: Son mtricas con rangos dinmicos respecto de las funciones de
membresa acotadas por la funcin de distribucin del error e(k ) , empleando el
conector de lgico Si (IF).

3. Mecanismo de inferencia: La accin experta con respecto a las reglas base es

conocida como consecuencia, y emplea el conector lgico Entonces (THEN) para
seleccionar al mejor parmetro o parmetros para ajustar al filtro y llevarlo a una
respuesta deseada.

4. Inferencia de salida: Se transforma la salida del filtro en una respuesta natural o

lingstica de acuerdo al proceso en que se encuentra contenido y as en relacin a la
base del conocimiento definida previamente.

u (k ) y (k )
Proceso

Mecanismo
salida
Infer

Infer
entra
encia

encia

de
de

de
da

inferencia
y (k )

BC

Intervalo k
Figura 6.1. Proceso de filtrado: Descripcin.
6.5 Funcin de Membresa

Un filtro difuso emplea una funcin de distribucin respecto de la seal de error e(k )
([17], [18] y [37]), de tal manera que se pueda generar una funcin de membresa ([1],
[3], [11], [14], [15], [41] y [44]) de acuerdo al rango de intervalos que es requerido para
el algoritmo de adaptacin ([2], [34], [35], [50] y [51]) y a la funcin objetivo,
previamente establecida.
Cada funcin de membresa es ajustada de forma adaptable, teniendo en cuenta a la
funcin objetivo , a la funcin de distribucin del error y a los intervalos distribuidos
uniformemente en donde se tiene la descripcin por n-ciles, n Z , en cada tiempo con
respecto a la densidad de la informacin en la inferencia difusa de entrada [48].

El criterio ms utilizado en la literatura como funcin objetivo es el de la minimizacin

del segundo momento de probabilidad del error, (ver: [11], [14], [17], [18] y [37]), l
cual es expresado de forma recursiva de la siguiente manera:

1
1

, con k Z J ( k ) 0,1
2
J (k ) ( k 1) J (k 1) 2 e(k ) 2 , .
(6.1)
k

De acuerdo a los conceptos de filtrado difuso [17] y [18], cada regla define una funcin
de membresa que se encuentra limitada por una secuencia especfica respecto de los
rangos de operacin en los cuales se considera correcta.

El objetivo que tiene el filtrado difuso como caja negra es dar una respuesta natural o
lingstica descrita como y (k ) con respecto de la seal deseada y(k) emitida por el
sistema de referencia; limitada por la funcin de distribucin del funcional de error
J (k ) , que de acuerdo a los operadores lgicos se determina la accin del filtro difuso
utilizando a la base del conocimiento, y que a travs de la inferencia de salida se tiene
una respuesta natural o lingstica, entre las cuales podemos encontrar las palabras: bajo,
medio, o alto.

La base de conocimiento en un sentido mtrico [4] contiene al conjunto de parejas

formadas por el producto entre conjuntos mtricamente expresados por
2
Y ( k ) Y ( k ) R 2 y definido simblicamente como TN R 2[1, N ] , formado por el
conjunto deseado Y (k ) y (k ) y el conjunto de identificacin Y (k ) y (k ) :

TN {( y ( k ), y ( k ))}2k 1N R22[1, N ] (6.2)

.

Cada funcin de membresa establece el valor de correspondencia mximo que hay entre
la salida y (k ) y la seal deseada y (k ) , donde el valor ptimo se fija en el costo
nfimo para cada secuencia. De manera ilustrativa en la Figura 6.2, se observa que
dentro del rea de control (descrita como T N ) se tiene un subconjunto de convergencia
por pares ordenados.
 Y( k )

( y( N ), y( N ))

( y( k ), y( k ))

(2, 1.98)
(1, 1.001)

Y ( k )

Figura 6.2. rea de control TN formada por el producto entre las secuencias y( k ) y( k )
, .

Matemticamente, la correspondencia de los pares est descrita por:

J min inf min J ( y0 , y ) N . (6.3)

N

6.6 Arquitectura del Filtro Digital Difuso

La adaptacin como una ley de realimentacin modifica la seal de entrada al filtro (ver
la Figura 6.3) de acuerdo al objetivo en donde la seal de salida de ste y (k ) se busca
que tienda a la seal deseada y (k ) , realizando as los cambios en los parmetros del
filtro.

El filtro difuso clasifica sus diferentes niveles de operacin con respecto al conjunto de
funciones de membresa, para dar el valor de la respuesta especfica en un lenguaje
natural de acuerdo con Jmn, que est limitado por el radio de un crculo en un sentido
mtrico [4] y [48].
 u (k ) y (k )
Proceso

Inferencia
de entrada
Mecanismo Inferencia *
de inferencia de salida
y (k )

BC

Intervalo k

Figura 6.3. Adaptacin del proceso de filtrado

La clasificacin de la respuesta del sistema de referencia conocida como seal deseada

y (k ) , que es la entrada en el filtro difuso est determinada por el valor de las ganancias
de los parmetros del filtro de acuerdo a la funcin de distribucin de J (k ) , realizando
una seleccin del criterio ptimo dentro de un conjunto de funciones de membresa
disjuntas por pares [38]. Estas regiones permiten seleccionar a los mejores valores para
ajustar la entrada del filtro, considerando los mecanismos de inferencia.

Dentro de la etapa de inferencia, la clasificacin de las funciones de membresa (de

acuerdo con [4], [48], [54] y [60]) se establece el funcional de error J (k ) , en el sentido
de Borel. Cada funcin de membresa se encuentra establecida dentro de la funcin de
distribucin del error, en un intervalo descrito como criterio (ver: (6.1)) basado en el
sentido de Lebesgue [50], permitiendo que cada una de ellas sea expresada de forma
recursiva de acuerdo con (ver: [17], [18], [32], [37] y [50]).

6.7 Elementos del Filtrado Difuso

En el filtrado difuso, la base de conocimiento (BC) contiene toda la informacin que el

filtro requiere para ajustar sus ganancias a(k) de una manera ptima1 y dar una respuesta
correcta, cumpliendo con el rango de convergencia, dentro de un intervalo de tiempo
(indexado con k Z ) de acuerdo con Nyquist [51], sin perder las propiedades de
estabilidad [17] y [18], que son dadas por la respuesta observable obtenida a la salida del
filtro.

De acuerdo con la Figura 6.3, se tiene lo siguiente:

1
En un lenguaje natural, la convergencia esta alrededor de un punto, que es conocido como ptimo, pero con una descripcin
mtrica (dentro del filtro), la convergencia es robusta porque est definida por intervalos.
y k , es la seal deseada del sistema de referencia, que es un valor medible que est
clasificado en rangos de forma lingstica por su funcin de distribucin (descritos en un
espacio de estados variable delimitado simblicamente de forma natural con expresiones
lingsticas como alto, medio, bajo),

Tk , es el rea de control descrita en pares formados por y k que es la respuesta de

salida del filtro y la seal deseada y k , que estn limitados en un intervalo de tiempo
(tiene una velocidad de cambio delimitada en el sentido expuesto en [37]),

e k , es el valor definido por la diferencia entre y k y y k , este valor est

delimitado por el conjunto i : i 0, i Z , inf{ i } * , tal que * 0 ,
sup{ i } * , 1 , en donde y
*
k se busca que converja a y k de forma
mtrica, y que en un sentido lingstico, ambos representan el mismo valor natural.

El siguiente diagrama a bloques descrito en la Figura 6.4, muestra la parte del filtro
digital difuso en donde el universo de discurso afecta el rango de la respuesta de salida
de y k .

u (k ) y (k )
Proceso

Mecanismo Inferencia de salida

Inferencia
de si a( k )
de entrada ~y ( k )
~y ( k ) 1
inferencia BC
Rangos No { ai }
BC si
{i } 1 ~y ( k ) 2
Funciones
de
distribucin Sistema
inestable si
2 ~y ( k ) n
No

Figura 6.4. Elementos del filtrado difuso.

Donde u k , es la seal de entrada del proceso de referencia, y k es la salida del

proceso de referencia y la seal deseada a la entrada del filtro, esta se clasifica por su
funcin de distribucin y se le asignan rangos de operacin, el mecanismo de inferencia
interpreta y le asigna una funcin de membresa de la base de conocimiento, y ajusta al
sistema de filtrado para llegar a la respuesta adecuada.

6.8 Reglas Base e Inferencia

El filtro difuso tiene propiedades estocsticas [34] y [35] que limitan las respuestas del
proceso en un sentido de distribucin (ver: [17], [18] y [28]), tal que esta se encuentra en
un espacio de probabilidad, simblicamente expresado como (, , P ) , donde
# ( ) ([17] y [18]) y delimitando en consecuencia a la base de conocimiento [31].

Considerando las propiedades estocsticas tanto del sistema como del filtro y a la
funcin de distribucin del error J (k ) , as como a las funciones de membresa descritas
en el sentido de Borel [4] se busca disminuir el error de filtrado hacia una condicin que
se considera ptima (previamente descrita como * ).

El conjunto de condiciones establecidas como reglas difusas (Si-Entonces) constituye la

base de reglas y de inferencia (ver: [1], [3], [17], [18], [28], [34], [35], [41], [58] y [44]),
que describen los objetivos de la base de conocimiento que a continuacin se listan:

1. Clasificacin automtica de las condiciones del filtro, teniendo conocimiento de sus

niveles de operacin.

2. El conocimiento es generado conforme el rea de control TN , se incremente.

3. Las reglas de adaptacin modifican de forma dinmica la base de conocimiento,

renovando y actualizando los valores del parmetro a k para cada iteracin
respecto al modelo de referencia y k , a la funcin de error e k y a las funciones
de membresa descritas cada una de ellas por el espectro del n-cil (formado a partir de
la funcin de distribucin del error para cada intervalo de tiempo).

En el filtro difuso, la base de conocimiento tiene toda la informacin que emplea y

genera, considerando por ejemplo: la respuesta de salida del sistema y (k ) (conocida
como la seal deseada), el error medible e(k ) , el proceso de la seal de entrada u (k ) ,
el proceso de inferencia c (k ) , y tambin la informacin generada a partir del filtrado
y
(k ) .

Que de acuerdo con esto, la base de conocimiento (o rea de control) es descrita como:

TNTot {(u ( k ), y ( k ), e( k ), c( k ), y ( k ))}5kN 5

1 R5[1, N ] (6.4)

El conjunto de reglas constituye la operacin del sistema de filtrado de acuerdo a la

lgica difusa y al filtrado digital, empleando como indicador de la accin a tomar a
J (k ) , que es la regin dentro de la cual opera el mecanismo de filtrado. De forma
ilustrativa, el esquema del filtro difuso es:
a)
Sistema Filtrado Difuso

u( k )
y( k )
e( k )
J( k )
Secuencia de BC
Subprocesos *
inf
BC
a( k )
y( k )

y( k )

int ervalo k

b)
Secuencia de Subprocesos

e( k )
y( k )
a( k )
BC
inf
BC *
J( k )
e( k )
y( k )
u( k ) Intervalo
k
Figure 6.5. Subprocesos operacin.

La Figura 6.5, en la seccin a), describe de forma ilustrativa la secuencia del proceso a
travs de un diagrama a bloques, y en la seccin b), se describe la secuencia de la
seccin a) como subprocesos acotados por los tiempos de filtrado.
CAPITULO VII. PROPIEDADES DE TIEMPO
REAL PARA EL FILTRADO DIFUSO

7.1 Principios de Tiempo Real para el Filtro Difuso

Para poder establecer, disear y aplicar el filtrado con propiedades en tiempo real a los
procesos industriales, sistemas digitales y de esta forma desarrollar nuevas tecnologas
en el campo de los sistemas de monitoreo, control e informacin, etc., y todos aquellos
sistemas en donde son consideradas algunas caractersticas especficas con una duracin
de tiempo especfico; logrando que sus respuestas sean realizadas de forma adecuada
conforme al funcionamiento y dinmica del sistema en cuestin y as responder de forma
satisfactoria en base a un criterio temporal de optimizacin establecido para actualizar al
sistema y obtener una respuesta a tiempo y de buena calidad [7], [16] y [21].

En la vida diaria se pueden encontrar diversos sistemas, los cuales, son capaces de poder
cumplir con condiciones de tiempo especfico, los primeros sistemas en tiempo real
fueron empleados en la telefona digital, estos sistemas ahora, se pueden encontrar en
gran cantidad de aplicaciones como en la medicina, control de trfico, procesos
industriales, etc.

Un sistema en tiempo real de acuerdo con [16], es un sistema que tiene una interaccin
dinmica con un proceso fsico, en relacin con sus entradas, salidas y sus restricciones
temporales, y que a partir de las cuales debe ofrecer respuestas correctas. En la Figura
7.1, se describen la regin en la que una respuesta es correcta en el sentido de tiempo
real [16], [21] y [51].

Figura 7.1 Sistema de tiempo real.

7.2 Clasificacin Temporal

Los sistemas en tiempo real son clasificados de acuerdo a la duracin en que son
emitidas sus respuestas y a su nivel de puntualidad, tomando como base el intervalo
temporal especificado para dar una respuesta en un proceso determinado, de esta forma
pueden estar clasificados en determinsticos, probabilsticos e inflexibles [7], [16], [21],
[23] y [26]:

En los sistemas en tiempo real determinsticos sus respuestas deben darse de forma
obligatoria dentro de los periodos de tiempo especificados para el proceso, por ejemplo,
en la medicina los marcapasos artificiales, sistemas de navegacin y los controladores de
procesos industriales, tienen que cumplir con sus restricciones de operacin temporales.

Los sistemas en tiempo real probabilsticos (es la categora del filtrado difuso en tiempo
real) presentan condiciones temporales acotadas en un sentido de distribucin, sin
embargo, si en alguna ocasin no se cumplieran en promedio los plazos de tiempo
establecidos para responder, el sistema continuar funcionando de forma correcta
siempre y cuando en el sistema este contemplada una variacin de alcance mximo para
sus tiempos de respuesta promedios; estos sistemas son conocidos tambin como
estadsticos y se pueden aplicar en las comunicaciones cuando existen mltiples accesos
compartidos y es necesario actualizar dinmicamente un nmero de sistemas conectados
con situaciones cambiantes [16] y [23].

Los sistemas en tiempo real inflexibles son sistemas de tipo determinsticos o

probabilsticos, pero que no cumplen con las restricciones de tiempo de acuerdo al caso,
de forma tal que el sistema dejar de funcionar y no entregar ninguna clase de
resultados congruentes, como ejemplo pueden encontrarse situaciones en donde un
servidor de computadoras se satura, deja de dar respuestas [23] y [26].

7.3 Propiedades de un Filtro Digital Difuso en Tiempo-Real

DEFINICIN 7.1 (filtro digital difuso en tiempo real - FDDTR). Un filtro digital
difuso en tiempo real es un filtro adaptivo de acuerdo con ([4],[17], [18], [28], [37],
[38] y [48]):

a) Extraccin y emisin de informacin difusa a travs de intervalos limitados con

respecto a la respuesta del proceso de referencia, considerando en ellos los criterios
de estabilidad descritos en (ver: [17], [18] y [28]).

b) Extraccin y emisin de informacin a travs de intervalos de tiempo semiabiertos

[4] y [48], sincronizados con el tiempo de evolucin del proceso con el que
interacta [17] y [18], considerando el criterio expresado en [37] y [38].
c) El grupo de funciones de membresa forman la base de conocimiento del filtrado
(ver: [31], [54] y [60]), de acuerdo con las propiedades consideradas en los puntos
a) y b), respectivamente.

d) El conjunto de reglas difusas describen los parmetros del filtro dependiendo de la

seal deseada difusa y (k ) se le asigna una funcin de membresa que representan
los valores de a ( k ) , todas ellas expresadas en un sentido mtrico [4] y [48].

e) El algoritmo de adaptacin actualiza los coeficientes del filtro si de acuerdo a la

funcin de membresa correspondiente, si el criterio de error establecido * como
nivel de convergencia, no se ha cumplido.

TEOREMA 7.1: El conjunto de entradas y salidas del FDDTR obedecen al criterio de

estabilidad de acuerdo con [17] y [18] y [28], cuya entropa esta descrita por una
regin previamente definida [51].

PRUEBA: Por contradiccin, si la energa bsica del filtro no se encuentra limitada,

entonces de igual forma la respuesta de salida no se encontrar limitada, y el sistema
dar una respuesta inestable en el sentido probabilstico de la entropa, considerando
que la entropa respecto de [51], es: H ( y k ) [ H ( y k 1 ) y k ln y k ] .

TEOREMA 7.2: La velocidad de cambio de las seales de entrada y salida limitadas

est descrita en intervalos semiabiertos con respecto a la frecuencia del tiempo
evolucin del sistema de referencia.

PRUEBA: Cada intervalo de tiempo semiabierto del FDDTR est limitado

temporalmente en sus entradas y salidas en el sentido de [17] y [18], en otro caso, la
entropa se incrementara (ver: [51]), porque la informacin crecera y el sistema
tendra un colapso, ya que existiran traslapes entre las seales.

TEOREMA 7.3 En un sentido temporal, el rea de control TN , limita las respuestas

del filtro difuso ya que de lo contraro aparecera fuera de tiempo.

PRUEBA: El sistema de acuerdo a los criterios de Nyquist y Shannon [51], limita en

intervalos de tiempo las propiedades del rea control TN ,ya que en otro caso el tiempo
de respuesta del filtro estara fuera de contexto; esto quiere decir, que la respuesta
ocurrira despus del tiempo en que fuera requerida.

NOTA 7.1: El filtro digital difuso es un filtro digital adaptivo ([11], [14], [15], [17],
[18] y [45]) y este requiere una seal deseada y (k ) con respecto al universo de
respuestas del sistema de referencia para actualizar y ajustar las respuestas del sistema
de filtrado de acuerdo con la base de conocimiento TN .
DEFINICIN 7.2 (Anlisis local y global). Un FDDTR en un sentido temporal de
manera local y global, tiene una calidad de respuesta de acuerdo a los criterios de
estabilidad [8] y de entrega a tiempo [51].

Caractersticas Globales. Los intervalos de convergencia definidos por 0, con

una medida superior a cero a travs del funcional de error J(k) y considerando a [17] y
[18] y (6.1), se parametrzan temporalmente a la funcin de membresa con respecto a
los valores de las variables lingsticas de la seal de referencia ([1], [41] y [58]) , sin
perder de vista que /e(k)/<1.

En base a los conceptos difusos, las caractersticas globales son especificadas en un

sentido probabilstico de acuerdo con [44], en el que J ( m ) inf min{ J k } (ver:
~
~
(6.3)), donde {J k } J k y P( J k ) 1 sin perder su evolucin natural.
~

mn 0.5 f mx
1
. (7.1)

Caractersticas Locales. Implica la estabilidad del proceso de filtrado a travs de sus

parmetros {a(k)i} actualizados en cada iteracin o en cada variable difusa, sin perder
de vista los tiempos de finalizado {f(k)i} del FDDTR dentro de sus lmites
correspondientes ld (k ) i _ mn , LD (k ) i en el sentido de Nyquist y Shannon de acuerdo
con [37] y[38] en el lmite menor, de acuerdo a los intervalos de tiempo del sistema de
referencia, considerando en el filtro que ld (k ) i _ mn , LD (k ) i mn (ver la Figura 7.2).

NOTA 3.2. Cada FDDTR como estimador de parmetros tiene una funcin de error
limitada, donde es el lmite del error definido por la varianza de las perturbaciones
del sistema. En el caso difuso estas variaciones paramtricas se encuentran dentro del
error que est limitado por representando las funciones de membresa
correspondientes con el criterio elegido por el modelo de referencia [45].

NOTA 3.3 El FDDTR ofrece una respuesta local estable si la estimacin del conjunto
de parmetros del sistema, se encuentra dentro del crculo unitario para cada intervalo
k:

a ( k )
e i
0 ,1 , k Z . (7.2)

La Figura 7.3, muestra como se realiza la ejecucin de la tarea del filtro difuso en forma
global a travs de intervalos de tiempo de acuerdo con la Figura 7.3 b):
 Tarea i ci

li si fi di
Figura 7.2. Proceso de filtrado descrito en forma equivalente por una tarea

El proceso de filtrado est delimitado de forma temporal en el tiempo de arribo ( li ),

tiempo de inicio ( si ), tiempo de ejecucin ( ci ), tiempo de finalizado ( f i ) y plazo
mximo de tiempo ( d i ), por (5) al considerar a mn .

H( J )
H ( J LDms ) cons tan te

LDmx

H ( J LDms ) cons tan te

y y y( J LDmx )

Ldmn LDmx

Figura 7.3 Operacin de filtrado global

En la figura 7.3 (a), se muestra de forma ilustrativa el funcional del error, que
representa la convergencia del proceso del filtrado desde un estado inicial a un estado
deseado, de acuerdo con el sistema de referencia. En la figura 7.3 (b), se observa la
cantidad de informacin emitida por el filtrado en forma de paquetes de informacin
por intervalos de duracin.
CAPITULO VIII. SIMULACIN DEL
FILTRADO DIFUSO EN TIEMPO REAL

8.1 Caractersticas de la simulacin

Para realizar la simulacin del filtrado difuso en este caso se ha elegido al filtro de
Kalman [17 y 18], por ser una herramienta matemtica que est teniendo un importante
auge en los sistemas y aplicaciones, siendo una herramienta empleada a nivel cientfico.
De forma esencial el filtro de kalman es un conjunto de ecuaciones matemticas en
donde se tiene un estimador predictor-corrector ptimo que minimiza el error en sus
respuestas.

El sistema de filtrado cuenta con una matriz de transicin descrita por la base del
conocimiento de acuerdo al criterio del funcional de error que estn descritos en [4, 17,
18 y 48]. El sistema empleado para el desarrollo de esta simulacin es un sistema
ARMA de tipo probabilstico (soft) usando un procesador AMD Sempron 3100, en
donde se contemplan sus tiempos de evolucin media con intervalos k, de 0.004 s
0.0002.

8.2 Descripcin del sistema de referencia

El sistema est descrito en forma bsica en un espacio de estados discreto:

x( k 1) a( k ) x (k ) w( k ). (8.1)

Y la salida del filtro es descrita:

y ( k ) x( k ) v ( k ) : x ( k ), w( k ), v ( k ) R (8.2)

Donde: {x(k)} es el conjunto de estados internos, {a(k)} es la secuencia de parmetros,

{w(k)} es el conjunto de ruidos que perturban al sistema, { y(k)} es el conjunto de
salidas del sistema, v(k) es el ruido de salida ( k ) N ( , 2 ) .

Los diferentes niveles de operacin estn construidos en un sentido de probabilidad, que

est de acuerdo con la funcin de distribucin del funcional del error descrito en el
captulo seis (6.1) con respecto a la respuesta de salida del sistema y(k) y la respuesta del
filtro de Kalman para este caso de forma respectiva; ambas respuestas estn limitadas
por el segundo momento de probabilidad, estableciendo para cada nivel de los n-ciles
una variable lingstica de forma natural, descrita como bajo, medio, alto.
En la Figura 8.1, se muestran los niveles de respuesta con respecto al filtro de Kalman
[17 y 18] en un proceso de asignacin de matriz de transicin respecto a la base de
conocimiento y al grupo de inferencias matemticas:

Figura 8.1. Niveles de respuesta y(k)

El tiempo de evolucin es menor al del proceso de referencia propuesto de 0.09 sg,

cumpliendo con la condicin descrita en (6.4).

8.3 Estimacin de parmetros

De acuerdo al error en los niveles de respuesta respecto a la seal deseada expuesta en la

figura 8.1, se obtiene el parmetro de transicin (que son las ganancias del filtro), para la
estimacin se ha empleado el modelo del filtro de Kalman. Estos parmetros en el filtro
de kalman son considerados constantes; con el empleo del sistema difuso los valores de
este parmetro se encuentran variando de forma dinmica a travs del tiempo de acuerdo
al sistema de referencia. Los resultados se muestran en las Figuras 8.2 y 8.3.
 Figura 8.2. Estimacin de parmetros a(k), con ndice de evolucin k acotado en [1,1000]

Figura 8.3. Acercamiento de la Figura 8.2, para observar estimacin de parmetros

8.4 Identificacin de estados

Considerando los resultados expuestos en la Figura 8.2 y se obtiene la identificacin

interna de x(k), que es determinada de acuerdo la varianza y los cambios de los
parmetros estimados. Los estados identificados tienen un alto nivel de convergencia
por que la magnitud del funcional del error al llegar a un estado estacionario es menor a
los resultados reportados en otros trabajos de filtrado [17 y 18] cuyos valores de
convergencia son del doble respecto al obtenido en esta tesis mostrados en la Figura 8.4
y 8.5.
 Figura 8.4. Identificacin interna del estado x(k) a travs del FDDTR

Figura 8.5. Acercamiento de la Figura 4.4, para observar al estado identificado.

8.5 Funcional de error

En la Figura 8.6, se puede observar la grfica del funcional de error descrito en (6.3) con
respecto al filtro:
 Figura 8.6. Curva de convergencia al parmetro * vista ilustrativamente por el funcional J(k)

De esta forma, se observa que el tiempo global de convergencia es de 0.08 sg., el cual es
menor a la condicin de evolucin del sistema, teniendo en cuenta que LDmax est
oscilando alrededor de 0.09 sg, de acuerdo con sus propiedades descritas previamente en
las definiciones.

La Figura 8.8, muestra los niveles en un sentido de distribucin, dentro de los primeros
dos momentos de probabilidad y la Figura 8.7, muestra las funciones de membresa,
clasificadas un sentido de probabilidad con respecto a J(k):

Figura 8.7. Funciones de membresa de acuerdo a J(k) para las variables lingsticas
Figura 8.8. Funciones distribucin de J(k) por rangos.
Bibliografa

[1] Abdul, S., Fuzzy Logic and its uses, http://www.doc.ic.ac.uk, (2006).

[2] Ali, H. S., Fundamentals of Adaptive Filters, Complex systems, (2003).

[3] Amble, T., Logic Programming and Knowledge Engineering, Addison Wesley, (1987).

[4] Ash, R., Real Analysis and Probability, Ed. Academic Press, USA, (1970).

[5] Astrom, K., & Henmark, B., Adaptive Control 2nd edition, Addison Wesley, USA (1995).

[6] Buttazo G., Hard Real-Time Computing System predictible scheduling algorithms and applications,
Kuluwer Academic Publishers, USA.

[7] Burns, R., Advanced Control Engeenering, Butterworth, Oxford (2001).

[8] Garca, J., Medel, J., Guevara, L., Propiedades del Filtrado Digital Difuso en Tiempo Real, IEEE
Congreso Internacional en Innovacin y Desarrollo, Morelos, (2007).

[9] Garca, J., Medel, J., Guevara, L., Caractersticas de un Filtrado Digital Adaptivo, Revista de
Divulgacin Aleph Zero, Num. 43 (2007).

[10] Garca, J., Medel, J., Guevara, L., Interaccin de Sistemas por un Filtro Digital Difuso en Tiempo
Real, ISBN: 970-36-03769-9, Congreso Nacional Estudiantil Quertaro (2006).

[11] Garca, J., Medel, J., Guevara, L., Real-Time Fuzzy Digital Filter: Basic Concepts. Congreso
internacional de control, instrumentacin virtual, y sistemas digitales. CIC-INDI, Mxico DF (2006).

[12] Garca, J., Medel, J., Guevara, L., RTFDF Description for ARMA Systems, ISSN: 1790-5109,
ISBN: 978-960-8457-81-2, WSEAS International Conferences, Canada (2007).

[13] Guevara Lpez, P., Medel, J., Introduccin a los sistemas en tiempo real, Mxico, IPN (2003).

[14] Gustafsson, F.: Adaptive Filtering and Change Detection, John Wiley & Sons, Ltd, (2000).

[15] Haykin, S.: Adaptive Filtering, Prentice Hall, (2001).

[16] Huang, G., Zhu, K., Siew, C . : Real-Time Learning Capability of Neural Networks, IEEE
Transactions on Neural Networks, (2006), Vol. 17, 863-878.

[17] Jantzen, J., A tutorial on Adaptive Fuzzy Control, Technical University of Denmark, Dinamarca,
(2002).

[18] Jane, W., Liu, S., Real-Time Systems, Prentice Hall, New York (2000).

[19] Kacprzyk, J., Multistage Fuzzy Control, Wiley, Inglaterra (1997).

[20] Kuo, B., Sistemas de Control Automtico, Prentice Hall, Mxico (1996).

[21] Laplante, P., Real-Time Systems Design and Anlisis, IEEE Pres, New York (1997).

[22] Lau, C., Neural Networks, IEEE Pres., New York (1991).

[23] Leydesdorff, L., Canadian Journal of Communication, vol. 28, 267-289, (2003).
[24] MacRoy, S., & Ali, S., Building Intelligent Dialog Systems, University of Wiscounsin, Milwaukee.

[25] Mamdani, E.: Applications of Fuzzy Algorithms for Control of Simple Dynamic Plant, Proc. IEEE,
(1974), Vol. 121, 1585-1588.

[26] Manuel, L.: Teora de la Medida e Integral de Lebesgue, Universidad Nacional del Rosario (2003).

[27] Marcek, D.: Stock Price Forecasting: Statistical, Classical and Fuzzy Neural Networks, Modeling
Decisions for Artificial Intelligence, Springer Verlag, (2004), 41-48.

[28] Margaliot, M., & Langhoz, G., Fuzzy Lyapunov based approach to the design of fuzzy controllers,
IEEE Trans. On Sys., Man Cybern.

[29] Margaliot, M., and Langholz, G.: New Approaches to Fuzzy Modeling and Control Design and
Analysis, World Scientific (2000).

[30] Medel, J., Garcia, J. C., Guevara, P.: Real-time Fuzzy Digital Filters (RTFDF) Properties for SISO
Systems, Automatic Control and Computer Sciences AVT, (2008).

[31] Medel, J., and Guevara, P.: Caracterizacin de Filtros Digitales en Tiempo-real para Computadoras
Digitales, Computacin y Sistemas, (2004), Vol. VII, No. 3.

[32] Medel, J., Poznyak, A., Guevara, P.: Real-time Multivariable Digital Filter using Matrix Forgetting
Factor and Instrumental Variable. Automatic Control and Computer Sciences AVT, (2004), Vol.
38, No. 1, 40-53.

[33] Montejo, M.: Lgica Difusa y Control Difuso, http://www.redeya.com (2006).

[34] Morales, G.: Introduccin a la Lgica Difusa, Cinvestav-IPN (2002).

[35] Nikola, K.: Foundations of Neural Networks, Fuzzy Systems, and Knowledge Engineering, the MIT
Press (1996).

[36] Ogata, K., Ingeniera de Control Moderna, Prentice Hall, Mxico (1980).

[37] Passino, K. M., Fuzzy Control, Addison Wesley (1998).

[38] Peter, B., and N. Stephan, A brief course: Fuzzy logic and Fuzzy Control, Johannes Kepler
Universitat Linz, Alemania (2006).

[39] Pedrycz, W., Fuzzy Sets Engineering, CRC, Florida (2000).

[40] Principe, J., Euliano, N., & Lefebvre, W., Neural and Adaptive Systems, Wiley, USA (200).

[41] Pugachev, V., Introduccin a la Teora de Probabilidades, Editorial MIR, Mosc (1973).

[42] Rajen, B., and Gopal, M.: Neuro-Fuzzy Decision Trees, International Journal of Neural Filters,
(2006), Vol. 16, 63-68.

[43] Snchez, C., Integral de Lebesgue - Stieltjes, Marchena, Espaa (1998).

[44] Shannon, M.: A Mathematical Theory of Communication, Bell Systems Technical Journal, (1948),
Vol. 27, 379-423 and 623-656.

[45] Schneider, M., and Kandel, A.: Fuzzy expert systems tools, Wiley (1996).

[46] Stubberud, D., Retroalimentacin y Sistemas de control, McGraw Hill, Mxico (1981)
[47] Takagi, T., and Sugeno, M.: Fuzzy Identification of Systems and its Applications to Modelling and
control, IEEE Transactions and Systems, man, and cybernetics, (1986), Vol. 15, 116-132.

[48] Terano, T., Asay, K., & Sugeno, M., Applied Fuzzy Systems, AP Professional, Cambridge (1989).

[49] Von, C., Fuzzy Logic & Neurofuzzy Applications Explained, Prentice Hall, New York (1995).

[50] Wang, L., Adaptive Fuzzy Systems and Control, Prentice Hall (1994).

[51] Yamakawa, F.: Fuzzy Neurons and Fuzzy Neural Networks, (1989).

[52] Zadeh, L.: Fuzzy Sets, Information and control, (1965), Vol. 8, 338-353.